video-editing-skills（视频编辑技巧）

Vlog 分镜脚本生成器

AI 驱动的 vlog 剪辑工作流：视频分析 → 分镜脚本生成 → 最终视频合成。

快速参考

关键路径

路径变量：

• <SKILL_DIR> = 本 SKILL.md 文件所在目录（AI 在运行时根据本文件路径自动解析，无需硬编码）
• <VIDEO_DIR> = 用户提供的视频目录
• <WORKSPACE_DIR> = <VIDEO_DIR>\editing_YYYYMMDD_HHMMSS

工作区输出结构

<VIDEO_DIR>\editing_YYYYMMDD_HHMMSS\
├── user_input.txt                    # 用户原始请求
├── output_vlm.json                   # FLAMA 分析结果
├── storyboard.json                   # 生成的分镜脚本
├── <THEME>_<DURATION>s_bgm_<LLM>.mp4 # 最终输出视频
└── temp\                             # 中间文件
    ├── clip_01_*.mp4
    ├── merged_no_bgm.mp4
    └── *.concat.txt

必需的分镜脚本字段

storyboard_metadata 中必须包含：

• theme - 视频主题/标题
• target_duration_seconds - 目标时长（如 30）
• cloud_llm_name - LLM 名称（如 "ClaudeOpus"）；别名：llm_name

audio_design.background_music 中必须包含：

• file_path - BGM 文件的绝对路径；别名：bgm_file、selected_bgm

每个 clips[] 项目中必须包含：

• clip_id、sequence_order、source_video
• timecode.in_point、timecode.out_point、timecode.duration
• voiceover.text（用于字幕）

命令模板

# 0a. 检查 ffmpeg（必做）：若 <SKILL_DIR>\bin\ffmpeg.exe 不存在，先运行：
#     python "<SKILL_DIR>\scripts\setup_resources.py"
# 0b. 检查模型路径（必做）：读取 config 的 genai.model_path，若目录不存在则**必须**执行模型下载，不得跳过：
#     (1) 在 <SKILL_DIR> 创建/激活虚拟环境；(2) pip install huggingface_hub；
#     (3) python "<SKILL_DIR>\scripts\setup_ov_model.py" --flama-dir "<FLAMA_DIR>" [--hf-mirror]
#     禁止在模型不存在时直接运行 FLAMA 或使用 ffprobe/其他方式绕过分析。

# 1. 验证 FLAMA 是否存在
dir "<SKILL_DIR>\bin\flama\flama.exe"

# 2. 运行 FLAMA 分析（始终重新运行，绝不复用 output_vlm.json）
cd /d "<SKILL_DIR>\bin\flama"
flama.exe --video_dir=<VIDEO_DIR> --mode=hw --json_file=<WORKSPACE_DIR>\output_vlm.json --prompt="<PROMPT>"
# 可选参数：--debug=1（输出调试日志）、--mode=sw（GPU 失败时回退为软件解码）

# 3. 合成最终视频
python "<SKILL_DIR>\scripts\compose_video.py" --storyboard "<WORKSPACE_DIR>\storyboard.json"
# 可选参数：--ffmpeg <PATH>、--dry-run、--font-size 40、--max-line-len 16

环境准备（Python 与虚拟环境）

• 仅使用剪辑与合成（compose_video.py、setup_resources.py）：使用系统 Python 或项目已有虚拟环境即可。
• 需要下载模型（setup_ov_model.py）：建议使用独立虚拟环境，仅需安装 huggingface_hub。

创建并激活虚拟环境（在 <SKILL_DIR> 或项目根目录执行）：

# Windows
python -m venv .venv
.venv\Scripts\activate
python.exe -m pip install --upgrade pip

安装模型下载依赖（仅当需要运行 setup_ov_model.py 时执行，只下载预转换好的 OpenVINO 模型）：

pip install huggingface_hub

（必须）设置 HF_ENDPOINT 环境变量"[https://hf-mirror.com"：](https://hf-mirror.com%22**%EF%BC%9A)

# Windows - **（必须）设置 HF_ENDPOINT 环境变量**
$env:HF_ENDPOINT = "https://hf-mirror.com"

# Windows - 永久写入用户环境变量
[System.Environment]::SetEnvironmentVariable("HF_ENDPOINT", "https://hf-mirror.com", "User")

常用镜像站：https://hf-mirror.com（国内推荐）、https://modelscope.cn

之后在该虚拟环境下执行模型下载：

# 默认已启用 hf-mirror.com 镜像，国内直接运行即可
python scripts/setup_ov_model.py --flama-dir "<FLAMA_DIR>"

HF 镜像配置优先级（setup_ov_model.py）：

工作流概览

阶段 0：平台检查      阶段 1：准备          阶段 2：分析                    阶段 3：创作          阶段 4：合成
┌─────────────────┐  ┌─────────────────┐     ┌─────────────────────────┐    ┌─────────────────┐     ┌─────────────────┐
│ 0.1 检测 CPU    │  │ 1.1 验证        │     │ 2.1 查找 FLAMA          │    │ 3.1 故事        │     │ 4.1 运行        │
│     平台代号    │  │     视频目录    │────►│ 2.2 检查 config 模型路径 │───►│     大纲        │────►│     compose_    │
│ 0.2 检查集成    │  │ 1.2 创建        │     │     （不存在→setup_ov_  │    │ 3.2 选择片段    │     │     video.py    │
│     显卡        │─►│     工作区      │     │      model.py）         │    │ 3.3 旁白        │     └─────────────────┘
│ 0.3 检查内存    │  │ 1.3 保存输入    │     │ 2.3 运行 FLAMA          │    │ 3.4 BGM         │
│     > 16 GB     │  │ 1.4 提取需求    │     │ 2.4 验证并解析输出      │    │ 3.5 输出 JSON   │
│ [不满足则终止]  │  │ 1.5 检查 ffmpeg │     └─────────────────────────┘    └─────────────────┘
└─────────────────┘  └─────────────────┘

阶段 0：平台检查（必须最先执行，任一失败立即终止）

[AI 执行指令 — 最高优先级] 本阶段是整个技能的硬性前置门控（Hard Gate）。 - 必须在执行任何其他步骤之前运行检查脚本。 - 脚本退出码非 0（exit 1）时，立即终止，禁止执行阶段 1 至阶段 4 的任何步骤。 - 禁止跳过检查、假设检查通过、或在未执行脚本的情况下继续。 - 只有脚本以退出码 0 结束，才能进入阶段 1。

本技能需满足以下硬件条件之一 + Python 3.12.x，检查脚本会自动完成所有验证和安装：

硬件（满足任一）：

Python： >= 3.10（未安装时脚本自动安装 3.12.x 最新版）

步骤 0：运行环境检查脚本

powershell -ExecutionPolicy Bypass -File .\scripts\check_platform.ps1

脚本执行的两个阶段：

结果判断规则（AI 必须严格遵守）

[AI 行为约束] 退出码为 1 时：

1. 将脚本输出的 ❌ [FAIL] 行原文转述给用户
2. 不输出任何后续步骤，不询问是否继续，直接终止本次技能执行

自定义配置： 编辑 scripts\check_platform.ps1 顶部的 $DGPU_WHITELIST（扩展独显白名单）或 $PYTHON_FALLBACK_VERSION（指定离线安装的 Python 版本）。

✅ 检查点 0→1（硬性门控）： 脚本退出码为 0 时方可进入阶段 1；退出码为 1 则技能执行到此为止。

阶段 1：准备

步骤 1.1 验证视频目录

验证目录存在且包含视频文件（.mp4、.mov、.avi、.mkv、.webm、.m4v、.wmv），不要验证子目录下的文件。

dir "<VIDEO_DIR>\*.mp4" "<VIDEO_DIR>\*.mov" "<VIDEO_DIR>\*.avi" "<VIDEO_DIR>\*.mkv"

步骤 1.2 创建工作区

每次任务都必须创建新的工作区文件夹，不得从已有工作区读取文件。

• 使用当前时间生成新的时间戳，创建新目录：<VIDEO_DIR>\editing_YYYYMMDD_HHMMSS
• 禁止复用或读取同目录下已有文件夹（如 editing_20260304_160522 等）中的 output_vlm.json、storyboard.json 等文件；每次从阶段 1 开始，在本轮新建的工作区内完成分析、分镜与合成。

创建带时间戳的工作区文件夹：

<VIDEO_DIR>\editing_YYYYMMDD_HHMMSS

所有输出均存放在此工作区中。

步骤 1.3 保存用户输入

将用户原始请求写入 <WORKSPACE_DIR>\user_input.txt。

步骤 1.4 提取用户需求

将用户请求解析为以下要素：

• target_duration_seconds（默认：30）
• theme（如：节日喜庆、日常诗意）
• mood（如：轻松活泼、温暖治愈）
• pacing（如：连贯流畅、富有动感）
• must_capture（特定内容优先级）

这些需求将驱动 FLAMA 提示词生成和分镜脚本创作。

步骤 1.5 检查 ffmpeg（执行命令前必做）

在运行依赖 ffmpeg 的命令（尤其是阶段 4 的 compose_video.py）之前，必须确认 <SKILL_DIR>\bin\ffmpeg.exe 存在。

1. 检查路径：<SKILL_DIR>\bin\ffmpeg.exe（以及可选 <SKILL_DIR>\bin\ffprobe.exe）。
2. 验证方式：dir "<SKILL_DIR>\bin\ffmpeg.exe"（Windows）或 Test-Path "<SKILL_DIR>\bin\ffmpeg.exe"（PowerShell）。
3. 若不存在：先运行 setup_resources.py 下载并部署到 bin/： python "<SKILL_DIR>\scripts\setup_resources.py" 强制重新下载：python "<SKILL_DIR>\scripts\setup_resources.py" --force
4. 说明：compose_video.py 默认使用 <SKILL_DIR>\bin\ffmpeg.exe，若未部署则合成阶段会失败。

✅ 检查点 1→2： 工作区目录已创建；<VIDEO_DIR> 中至少存在 1 个视频文件；<SKILL_DIR>\bin\ffmpeg.exe 已存在或已通过 setup_resources.py 完成部署。

阶段 2：分析

步骤 2.1 查找 FLAMA

查找顺序：

1. 环境变量 %FLAMA_PATH%（如果已设置）
2. 默认路径：<SKILL_DIR>\bin\flama\flama.exe（由 setup_resources.py 部署）

验证命令：dir "<FLAMA_PATH>"（未设环境变量时用 <SKILL_DIR>\bin\flama\flama.exe）

约定： 下文中的 <FLAMA_DIR> 表示 flama.exe 所在目录；未设 %FLAMA_PATH% 时即为 <SKILL_DIR>\bin\flama。

步骤 2.2 检查模型路径（调用 FLAMA 前必做）

在运行 FLAMA 之前，必须确认其使用的 VLM 模型目录存在；若不存在则必须立即执行模型下载，不得跳过、不得先尝试运行 FLAMA、不得用 ffprobe 或手写分镜等方式绕过视频分析。

硬性规则：模型路径不存在时，必须按顺序执行 (1)→(2)→(3)，不可省略：

• (1) 在 <SKILL_DIR> 创建虚拟环境（若尚无 .venv）：python -m venv.venv，并激活；
• (2) 在虚拟环境中安装依赖：pip install huggingface_hub；
• (3) 运行下载脚本：python "<SKILL_DIR>\scripts\setup_ov_model.py" --flama-dir "<FLAMA_DIR>"（默认已启用 hf-mirror.com 镜像；直连 HuggingFace 时加 --no-mirror）。
• 下载完成后再次检查模型路径存在，再进入步骤 2.3 运行 FLAMA。

1. 读取配置中的模型路径

- 优先读取项目内 flama/config/config.json（即 <FLAMA_DIR>\..\..\..\config\config.json 或项目根下的 flama/config/config.json）。 - 若该文件不存在，则读取 <FLAMA_DIR>\config.json（FLAMA 运行目录下的 config）。 - 从 JSON 中取 genai.model_path 的值。

1. 解析为绝对路径

- 若 model_path 为相对路径（例如 models/Qwen2.5-VL-7B-Instruct-int4），则相对于 <FLAMA_DIR> 解析为绝对路径。 - 若为绝对路径，则直接使用。

1. 检查模型目录的完整性（执行 FLAMA 前必做） 运行以下命令进行完整性校验（--check-only 不执行下载）： python "<SKILL_DIR>\scripts\setup_ov_model.py" --flama-dir "<FLAMA_DIR>" --check-only 脚本会输出 .xml、.bin 文件数及总文件数，并给出 ✓ / ✗ 结论。按以下规则判断： 脚本输出 说明 下一步 ✓ 模型目录完整有效 通过，可运行 FLAMA 进入步骤 2.3 ✗ 模型目录不完整 + 原因（如 .xml=0、总文件 < 10） 目录不存在或下载不完整 执行下方步骤 4 重新下载
2. 若模型不完整或不存在（必须执行，禁止跳过） 先创建并激活虚拟环境，再安装依赖，最后运行下载： # Windows（在 <SKILL_DIR> 下执行） python -m venv.venv.venv\Scripts\Activate.ps1 pip install huggingface_hub # 正常下载（脚本自动检测并清除不完整目录后重新下载） python scripts\setup_ov_model.py --flama-dir "<FLAMA_DIR>" # 若上方命令跳过了下载但模型仍不完整，使用 --force 强制重新下载： python scripts\setup_ov_model.py --flama-dir "<FLAMA_DIR>" --force

- 默认已启用 hf-mirror.com 镜像，国内无需额外参数；海外直连时加 --no-mirror；自定义镜像用 --hf-mirror <URL> 或设置 HF_ENDPOINT 环境变量。 - 脚本会将模型下载到 <FLAMA_DIR>\models\ 下，并更新 <FLAMA_DIR>\config.json 中的 genai.model_path。

1. 依赖说明

- 运行 setup_ov_model.py 前必须先在虚拟环境中安装：pip install huggingface_hub（参见「环境准备」）。仅下载预转换好的 OpenVINO 模型，无需 optimum-intel、nncf 等。

✅ 检查点 2.2： --check-only 输出 ✓ 模型目录完整有效（.xml ≥ 1、.bin ≥ 1、总条目 ≥ 27），方可进入步骤 2.3。

步骤 2.3 运行 FLAMA 分析

关键规则：

1. 仅在步骤 2.2 通过后执行；始终重新运行，绝不复用已有的 output_vlm.json；运行前必须确认当前工作区文件夹下没有output_vlm.json。
2. 必须cd到flama路径，cd "<SKILL_DIR>\bin\flama"，否则flama.exe无法工作

cd /d "<SKILL_DIR>\bin\flama"
flama.exe --video_dir=<VIDEO_DIR> --mode=hw --json_file=<WORKSPACE_DIR>\output_vlm.json --prompt="<PROMPT>"

FLAMA 参数参考：

提示词选择：

默认提示词：

准确的描述这个视频文件中的主要内容，包括：场景环境、人物动作、画面构图、光线氛围、运镜方式。输出不超过100字的简要描述。

需求驱动的提示词模板：

请根据以下剪辑目标分析视频片段：主题是「<THEME>」，氛围是「<MOOD>」，节奏要求「<PACING>」。重点捕捉与「<MUST_CAPTURE>」相关的画面线索。描述中必须包含：场景环境、人物动作、画面构图、光线氛围、运镜方式，并突出与目标风格相关的信息。输出不超过100字。

按风格划分的提示词示例：

步骤 2.4 验证并解析输出

验证 <WORKSPACE_DIR>\output_vlm.json 存在并读取内容。

输出结构：

{
  "processed_videos": [{
    "input_video": "D:\\path\\video.mp4",
    "segments": [{
      "seg_id": 0,
      "seg_start": 0.0,
      "seg_end": 3.003,
      "seg_dur": 3.003,
      "seg_desc": "AI生成的内容描述..."
    }]
  }]
}

提取信息：场景清单、拍摄对象、视觉主题、运镜方式、精彩瞬间。

✅ 检查点 2→3： 模型路径已就绪；output_vlm.json 文件非空；至少包含 1 个 processed_videos 条目且含 segments 数据。

阶段 3：创作

步骤 3.1 故事大纲开发

开场钩子策略（三选一）

叙事弧线结构

片段选择质量评估优先级

1. 稳定性 — 优先选择无明显抖动的片段
2. 光线 — 光线充足、曝光正确
3. 清晰度 — 对焦准确、画面不模糊
4. 运镜 — 有意义的镜头运动（推拉摇移）
5. 独特性 — 内容不与其他已选片段重复

镜头组接规则

• 景别交替：远→中→近交替排列，避免相同景别连排
• 动静交替：运动镜头后接相对静态画面，形成节奏
• 方向一致：相邻镜头中运动方向保持一致或有合理过渡

步骤 3.2 片段选择与排序

选择标准：

1. 画面质量（光线充足、画面稳定）
2. 内容与故事的相关性
3. 多样性（镜头类型）
4. 节奏平衡
5. 与需求的匹配度

时长指南：

• 30秒 vlog → 约 10 个片段
• 60秒 vlog → 约 20 个片段
• 90秒 vlog → 约 30 个片段

规则：

• 绝不重复使用同一片段（source_video + seg_id 组合必须唯一）
• 绝不以静态/无聊的镜头开场
• 避免相似镜头连续出现

步骤 3.3 旁白/字幕生成

技术规格：

• 每行最多 16 字符（超出时 compose_video.py 按 --max-line-len 自动换行）
• 特殊字符（单引号、双引号、反斜杠）由脚本自动转义，无需手动处理

创作规则：

• 每 3 秒片段最多 10-15 个字
• 补充情感，而非描述画面 — 字幕应表达画面无法传达的情绪和内心独白
• 匹配 vlog 氛围（积极向上、深思感悟等）

反例对照：

步骤 3.4 BGM 选择

必需：必须选择恰好一首 BGM。始终使用绝对路径。

BGM 氛围→分类决策表

BGM 选择流程

1. 读取 <SKILL_DIR>\resource\bgm\bgm_style.json
2. 根据上方决策表确定首选分类，从该分类中选择最匹配的曲目
3. 若首选分类无合适曲目，查看备选分类
4. 将绝对路径写入分镜脚本

BGM 路径构建：

绝对路径 = <SKILL_DIR>\resource\bgm\ + JSON 中的 file_path
示例：`<SKILL_DIR>`\resource\bgm\0aa3bfd386bf595b301119302595aaf3.mp3

步骤 3.5 输出 storyboard.json

关键规则：始终重新生成，绝不复用已有的 storyboard.json。

写入路径：<WORKSPACE_DIR>\storyboard.json

最小必需 Schema：

{
  "storyboard_metadata": {
    "theme": "视频主题",
    "target_duration_seconds": 30,
    "cloud_llm_name": "XXXX"
    // 别名：llm_name 也可接受
  },
  "clips": [{
    "clip_id": 1,
    "sequence_order": 1,
    "source_video": "D:\\path\\video.mp4",
    "source_segment_id": 0,
    "timecode": {
      "in_point": 0.0,
      "out_point": 3.0,
      "duration": 3.0
      // 验证：out_point > in_point, duration > 0
    },
    "voiceover": {
      "text": "字幕文本"
    }
  }],
  "audio_design": {
    "background_music": {
      "file_path": "E:\\data\\agentkit\\skills\\video-editing-skills\\resource\\bgm\\xxx.mp3",
      // 别名：bgm_file 或 selected_bgm 也可接受
      "style_tag": "舒缓优美",
      "summary": "BGM描述"
    }
  }
}

扩展字段（可选）：

• storyboard_metadata: version、generated_at、actual_duration_seconds、vlog_type、mood、user_requirements
• story_outline: title、synopsis、narrative_arc[]
• clips[]: story_section、content_description、editorial_note、suggested_transition_in/out、music_note
• audio_design.background_music: mood、tempo、suggested_genres、volume_curve
• audio_design.sound_design: use_original_audio、ambient_enhancement、audio_ducking
• editing_notes: color_grading、pacing、special_effects、text_overlays[]
• export_recommendations: resolution、aspect_ratio、frame_rate、format

写入前验证检查点

在将 storyboard.json 写入文件前，逐项自检：

1. ☐ theme、target_duration_seconds、cloud_llm_name 三个必需字段均存在
2. ☐ 每个 clip 的 out_point > in_point 且 duration > 0
3. ☐ 所有 source_video 路径指向 <VIDEO_DIR> 中实际存在的文件
4. ☐ 无重复的 (source_video, source_segment_id) 组合
5. ☐ audio_design.background_music.file_path 是绝对路径且文件存在 cc

✅ 检查点 3→4： storyboard.json 已通过上述 6 项验证；BGM 文件路径有效。

阶段 4：合成

执行前确认： 已通过步骤 1.5 检查，<SKILL_DIR>\bin\ffmpeg.exe 存在；否则先运行 setup_resources.py。

步骤 4.0 ffmpeg 执行前的时长校验（硬性门控，不得跳过）

[AI 执行指令] 在调用 compose_video.py 之前，必须重新读取 storyboard.json 并完成以下校验。禁止假设步骤 3.5 的检查结果依然有效。

从已写入的 storyboard.json 重新计算片段总时长：

import json
with open("<WORKSPACE_DIR>/storyboard.json", encoding="utf-8") as f:
    sb = json.load(f)

target         = sb["storyboard_metadata"]["target_duration_seconds"]  # 默认 30
total_duration = sum(c["timecode"]["duration"] for c in sb["clips"])
threshold      = target * 0.20
deviation      = abs(total_duration - target)

print(f"target={target}s  total={total_duration:.1f}s  deviation={deviation:.1f}s  threshold={threshold:.1f}s")
print("✅ 通过" if deviation <= threshold else f"❌ 不通过（偏差 {deviation:.1f}s > 阈值 {threshold:.1f}s）")

判断规则：

步骤 4.1 运行 compose_video.py

python "<SKILL_DIR>\scripts\compose_video.py" --storyboard "<WORKSPACE_DIR>\storyboard.json"

compose_video.py 参数参考：

排错建议： 合成失败时，先加 --dry-run 查看生成的 ffmpeg 命令，检查路径和参数是否正确。

脚本行为：

1. 读取 storyboard.json
2. 创建 <WORKSPACE_DIR>\temp\ 文件夹
3. 提取并处理每个片段 → 保存到 temp
4. 拼接所有片段 → temp\merged_no_bgm.mp4
5. 从分镜脚本添加 BGM（路径无效时回退为随机选择）
6. 输出最终视频：<WORKSPACE_DIR>\<THEME>_<DURATION>s_bgm_<LLM>.mp4

输出命名规则：

<theme>_<duration>s_bgm_<cloud_llm_name>.mp4
示例：日常诗意瞬间_30s_bgm_ClaudeOpus.mp4

步骤 4.2 输出前的最终时长校验（交付给用户前必做）

[AI 执行指令] 在将最终视频路径告知用户之前，必须用 ffprobe 测量实际视频时长并完成以下校验。任何情况下不得跳过。

测量实际视频时长：

$videoFile = "<WORKSPACE_DIR>\<theme>_<duration>s_bgm_<cloud_llm_name>.mp4"
$target    = <target_duration_seconds>   # 从 storyboard.json 读取
$threshold = $target * 0.20

$actual = [double]( & "<SKILL_DIR>\bin\ffprobe.exe" `
    -v error -show_entries format=duration `
    -of default=noprint_wrappers=1:nokey=1 `
    "$videoFile" )

$deviation = [math]::Abs($actual - $target)
Write-Host "target=${target}s  actual=$([math]::Round($actual,1))s  deviation=$([math]::Round($deviation,1))s  threshold=$([math]::Round($threshold,1))s"
if ($deviation -le $threshold) {
    Write-Host "✅ 最终视频时长校验通过，可交付给用户。"
} else {
    Write-Host "❌ 最终视频时长偏差超过 ±20%，不得直接交付。"
}

判断规则：

硬性规则总结

错误处理

LLM 常见错误预防

完整示例

用户提供视频目录（如 D:\data\videoclips\phone2\007_input）并请求「30秒 vlog、连贯动感」时：验证目录 → 创建工作区 editing_YYYYMMDD_HHMMSS → 运行 FLAMA 得到 output_vlm.json → 生成 storyboard.json（含 BGM 绝对路径与片段时间码）→ 运行 python scripts/compose_video.py --storyboard <WORKSPACE_DIR>\storyboard.json。输出文件：<WORKSPACE_DIR>\<theme>_<duration>s_bgm_<cloud_llm_name>.mp4。

用户请求：

D:\data\videoclips\phone2\007_input 文件夹中包含多个视频，生成一个30秒vlog，连贯流畅、富有动感

执行过程：

# 1. 验证
dir "D:\data\videoclips\phone2\007_input\*.mp4"

# 2. 创建工作区
mkdir "D:\data\videoclips\phone2\007_input\editing_20250205_143000"

# 3. 保存用户输入（通过 Write 工具）

# 4. 运行 FLAMA
cd /d "D:\data\code\flama_code\flama\build\bin\Release"
flama.exe --video_dir=D:\data\videoclips\phone2\007_input --mode=hw --json_file=D:\data\videoclips\phone2\007_input\editing_20250205_143000\output_vlm.json --prompt="请重点识别可形成连贯动作链的镜头、运动方向、速度变化与节奏点，描述环境、动作、构图、光线和运镜，突出流畅衔接与动感。输出不超过100字。"

# 5. 读取 output_vlm.json，生成 storyboard.json（通过 Write 工具）

# 6. 合成
python "<SKILL_DIR>\scripts\compose_video.py" --storyboard "D:\data\videoclips\phone2\007_input\editing_20250205_143000\storyboard.json"

最终输出：

D:\data\videoclips\phone2\007_input\editing_20250205_143000\连贯动感_30s_bgm_ClaudeOpus.mp4