BaoCut positions agents as the entry point for video editing workflows

Image 107 确定 取消Image 108 举报 Image 109 选择你想要举报的内容（必选） 内容涉黄 政治相关 内容抄袭 涉嫌广告 内容侵权 侮辱谩骂 样式问题 其他 原文链接（必填） 请选择具体原因（必选） 包含不实信息 涉及个人隐私 请选择具体原因（必选） 侮辱谩骂 诽谤 请选择具体原因（必选） 搬家样式 博文样式 补充说明（选填） 取消 确定 Image 110Image 111点击体验 DeepSeekR1满血版Image 112 下载APP Image 113: 程序员都在用的中文IT技术交流社区 程序员都在用的中文IT技术交流社区 公众号 Image 114: 专业的中文 IT 技术社区，与千万技术人共成长 专业的中文 IT 技术社区，与千万技术人共成长 视频号 Image 115: 关注【CSDN】视频号，行业资讯、技术分享精彩不断，直播好礼送不停！ 关注【CSDN】视频号，行业资讯、技术分享精彩不断，直播好礼送不停！Image 116客服 新手引导 Image 117返回顶部 Image 118 Image 119 Image 120 Image 121 Image 122 Image 123 -100%+1:1 还原 [...] 收起Image 87 Image 90 上一篇： LLM评测：以KIMI与qwen为例 ### 最新文章 LLM评测：以KIMI与qwen为例 cs224n作业_Assignment 2: word2vec Part 2（Coding） cs224n_Assignment 2作业翻译（机翻加手改） 2026年 1篇 2024年 4篇 登录后您可以享受以下权益： Image 91免费复制代码 Image 92和博主大V互动 Image 93下载海量资源 Image 94发动态/写文章/加入社区 ×立即登录 评论Image 95 Image 96被折叠的 条评论 为什么被折叠?Image 97到【灌水乐园】发言 查看更多评论Image 98 添加红包 []( 祝福语 []( 请填写红包祝福语或标题

## video-use：Agent 剪视频的关键，不是“看视频”，而是“读视频” 腾讯云 开发者社区 文档建议反馈控制台 首页 活动 专区 圈层 工具 MCP广场 文章/答案/技术大牛 发布 唐斩 社区首页 >专栏 >video-use：Agent 剪视频的关键，不是“看视频”，而是“读视频” # video-use：Agent 剪视频的关键，不是“看视频”，而是“读视频” 作者头像 唐斩 发布于 2026-07-11 09:31:31 发布于 2026-07-11 09:31:31 1990 举报 ## video-use：Agent 剪视频的关键，不是“看视频”，而是“读视频” 我最近看到 `browser-use/video-use` 这个开源项目，它把视频剪辑这件事，重新翻译成了 Agent 可以阅读、判断、执行和自检的工程流程。 不是看视频，而是读视频 不是看视频，而是读视频 这点比“自动剪辑”四个字重要。 因为大模型本身并不适合直接看完几万帧视频，再凭感觉决定哪里该剪。那样 token 成本高，信息噪音大，而且很难稳定复盘。`video-use` 的核心思路刚好相反：不要让 LLM 暴力看视频，而是先把视频变成它最擅长处理的材料。 也就是文本、时间轴、结构化剪辑决策。 ### 它到底做了什么 按照项目 README 的描述，`video-use` 的使用方式很像一个剪辑型 skill：你把原始素材放进一个文件夹，打开 Claude Code、Codex 或其他有 shell 能力的 Agent，然后用自然语言说：把这些素材剪成一个 launch video。它最终会在素材目录旁边生成 `edit/final.mp4`。 [...] 1. 用 ElevenLabs Scribe 转写原始视频，拿到逐词时间戳、说话人区分和音频事件。 2. 把多个素材压成一个 `takes_packed.md`，让 Agent 用文本方式读完整个素材。 3. 在需要判断画面的时候，再调用 `timeline_view` 生成局部视觉合成图。 4. 让 Agent 产出 EDL，也就是剪辑决策表。 5. 用 `ffmpeg` 渲染，生成预览和最终视频。 6. 在每个剪切点做自检，发现跳帧、爆音、字幕遮挡等问题就

顺着这个思路，当我给自己的「龙虾」接入 LibTV 的 Skill 后，一切就变得水到渠成了：它直接绕过了繁琐的操作门槛，把一整套专业的视频制作能力纳为了己用。 现在，我连 LibTV 的画布都不再需要打开，直接在 Agent 对话框里下达指令就行 ——「调用 libtv-skill，新建一个 libtv 的项目，给我一个30秒的《守株待兔》动漫，绒布动画风格」。 收到指令后，它立刻就能开工，再也不用担心打工人拖延症。 没一会，一个完整的影片就出来了。 考虑到这是一条全程零人工干预、完全由「龙虾」自己一手包办的产物，它所展现出的交付级水准，确实让人有些意外。 哪怕其中有些帧出错了也没关系，因为这个项目会完整地保存在后台。如果后续需要调整，我可以在此基础上快速完善迭代，省去前期大量的制作时间。 再举个例子，假如你正在为一款新设计的美妆产品筹备上线宣传，你只需要在对话框里丢出产品图片和依据简单的 Prompt：「帮我给这个粉底液做个宣传片。」 接下来发生的事情，足以让任何传统制片人感到战栗。 龙虾会通过 LibTV 的接口，自动解析图片的风格气质，撰写符合产品调性的转成与运镜，再在后台静默调用目前市面上最顶级的模型矩阵（包括可灵 3.0 以及 Wan 2.6 等），自行完成素材生成、分镜设计、视频生成和卡点剪辑。 喝完一杯咖啡的时间，一支光影交织、画面华丽的交付级成片已经静静躺在你的聊天窗口里。 如果说之前的 AI Agent 都是帮助我处理日常事务，更像是「管家」的角色，那么有了 LibTV Skill 加持的 Agent，已经具备了真正的生产力 —— 一个人在一天的时间里完成过去一个团队都达不到的工作量，这何尝不是质变呢？ ### 没有试错压力，创作才能自由 [...] 确实，过去用 AI 工具的经历里，我跑出过好的视频片段已经不计其数，但 —— 代价是什么呢？ 要么需要大片且十分专业的提示词，光是学习撰写它们就浪费难以估量的时间；要么是是片段虽然都很好，但叙事一塌糊涂，前言不搭后语；要么是其中有几帧出错，整条链路得重来一遍…… 哪怕我已经习惯了「抽卡」的等待和重来，还有我的钱包在前面拦着我，让我别冲动。毕竟 AI 烧的不止是 token，更是每一个创作者真实的 money。 另一方面，OpenClaw 的爆火也让我意识到，既然我们已经能

1 comments ### Transcript: [...] 剪成一个口播视频 我要求你帮我 把一些水词去掉 并且在过程中 加一些 MG动画 也要加字幕和音效 直接发送 TA 应该是看一下 我的目录里面有个视频 就帮我剪辑 TA 已经找到 我这个目录文件里面 有个叫 ChatCut MP4 的文件 看 TA 这些专案 这个就咱们宝岛那边的说法 这也不知道为什么变成繁体 但也没关系 TA 能够剪辑成功就好了 你会看到 TA 就是分析了素材 3 分 20 秒 4K 横版 TA 说正在转录文字稿 精剪 就是 TA 已经在干活了 我也很期待 TA 把我这个3分20秒 剪成多少秒 还有最后的效果怎么样 这边说已经精剪完成了 TA 让我选择一个 MG动画 的风格 TA 就可以继续加入 一些动画和中文字幕音效 也可以在这边去预览一下 我先预览一下吧 TA 直接弹到这个网页版 正在 downloading 也就是说 TA 第一版的话 TA 会先把这个视频精剪成 去掉水词 去掉错误 后面再让你选择 那个 MG动画 因为 TA 这里说 让你选择一个风格 我等一下就选一个风格 按继续剪辑 而这个过程中 TA 第一步处理的过程 用了 5 分 50 秒 实际上这个时间 应该是比我快一点 因为我的视频是3分20秒 3分20秒 那我自己在看一遍 那也要三分钟是吧 我在看的过程中 我要剪掉一些水词什么的 我最少乘以二 乘以二 大概就是六分四十秒 你算 TA 七分钟 那现在 TA 用了六分钟 就帮我节省了一分钟时间 OK TA 已经读出来了 我们来看一下这个 2 分 29 秒这个视频 用 AI Agent 自动帮你剪视频 最近这个 ChatCut 比较火 TA 是一个 AI 视频剪辑助手 为什么这边没有声音呢？ 是不是浏览器的原因 我看一下 我先让 TA 继续剪 我们再看成品吧 选一个风格 我喜欢这种简约一点的 奶油 继续剪辑 你选择了哪个风格 TA [...] 左边你可以跟 TA 对话 通过语音 通过文字 跟 TA 对话 右边有预览窗 还有这个剪辑的窗口 这些剪辑的工具 跟平常在剪映上的差不多了 TA 这里也有介绍 你会看到 TA 把停顿的剪掉了 把我刚刚那句口误也剪掉了 我们看一下后面有没有声音 因为刚刚在网页端 后面是没声音的 这边有个成品 我们大概来看一下 OK 是有声音的 可能是刚刚网

54 comments ### Transcript: [...] 那它最後再輸出的這個東西呢 就是已經粗剪好的一個稿子 那也是輸出一個json跟一個SRT 你可以看這個啊SRT的文稿 這樣的話就能夠知道 它這個粗剪的是不是準確 那如果說沒有問題的話呢 你就讓它把這個json的文件 輸出成一個EDL格式的文檔 那這個呢 它全稱我查了叫Edit decision list 就是可以給到剪輯軟件的一個時間線 我是這麼理解的 你就可以給它輸出 匯入到達芬奇啊 這個匯入達芬奇的一個方法 就是把原始影片給它匯入到媒體庫 再從這個文檔的地方 把這個時間線給它導入 好那總結呢 就是我們給到它視頻口播的原始素材 它就會給到我們一個 這個EDL最終輸出的文檔 那我們來看一下 它這個跑出來的結果 哦在這裡 我們看到它是這樣子一個東西 我們選擇在finder里打開 okay把這個東西給它 拷貝到我們那個項目文件夾里 你看在這個Aroll素材里 我給它拷貝過來 好那這個時候呢 就像你開頭看到的那樣 就是我只要把這個拖到達芬奇 這個免費版也可以哦 就是媒體池裡面 再選擇文件 導入Timeline 把這個EDL給它導進去 這裡默選一下就可以了 哎這怎麼截圖這麼醜 我們現在來這個一起聽一下 測試smoke test 呃就是我會這樣隨便講 隨便講呃好「這段OK」 聽到了嗎我這裡說了「這段OK」 你看它就已經幫我剪掉了這個 所以實際上它輸出的這個 就是一個已經粗剪好的Aroll版本 你可能只是要進行一個微微的調整 所以非常的酷 那其實這個工具做起來非常的簡單 我是花了一個月的時間 去看了那個Folder as an app 的課程 那其實瞭解了整個底層邏輯之後 我這個工具只花了一天 就給它做出來了 那我覺得 非常非常的酷 而且我突然想到 就是像我上兩條 像前一條影片 那個apple creative studio 不是裡面有講到iPad 它有那個自帶蒙太奇剪輯嗎 [...] 好今天沒有什麼打光的 因為我想快速跟大家分享一下 我最近做出來的這個 自動粗剪Aroll的AI工具 先給大家快速展示一下 它具體能做什麼 好那這個呢 就是我的一個Aroll素材 呢我把它餵給AI之後呢 這個就是它返還給我的一個edl時間線 那我們要做的呢 這個是達芬奇免費版就可以啊 把它拖進媒體池media pool 這個是原素

Log inSign up ## Post user avatar 宝玉 @dotey 这个 App 最开始是自己用的，是走的 LLM 方案，先整体翻译，然后按句子配对，再 LLM 拆分，但是拆分效果总是不理想。 另外走 LLM 还有一个问题，就是要配置 API Key，这其实对普通人不友好，另外就是成本其实不低，Gemini 3.5 Flash 一部长一点视频都几美元。 最后发现还是 Agent + Skill 路线最好： 1. Agent 有很好的纠错能力，哪怕你不给它这样的工具，它自己都能一边翻译一边纠错，质量不错。 2. 把 App 的能力封装成 cli，让 Agent 可以通过命令行调用 App 的功能 3. 配合一个 Skill 把常用的工作流比如像转录、润色、翻译、对齐、剪辑都固化下来，这样 Agent 就知道最佳实践是什么，不需要每次都自己摸索 4. App 解决的是人工预览、校对的部分。 Agent 操作完，如果你是人肉看文本字幕，或者你每次修改一点都要重新 ffmpeg 生成一遍视频，那效率太低了。最好的方式其实不是完全交给 Agent，而是可以有一个图形化的工具快速的预览、二次编辑。 5. Agent 相对比较通用和便宜，现在大家都有 Agent，包月的 Token 经常花不完，用来干这种活正合适 user avatar 宝玉 @dotey Jul 14 字幕转录翻译剪辑 Skill —— BaoCut（仅支持 Mac） 借助 Agent Skill，可以转录视频、对转录结果识别 Speaker、润色（纠正错别字口癖等）、也可以根据转录结果对视频进行简单的剪辑，比如删除口癖、重复等。 这次尝试解决一个问题就是 Agent [...] 2:53 AM · Jul 15, 202630.1KViews user avatar Shane @furunxun Jul 17 这事真的得是专业的人干。我自己的工具就是一键搬运，字幕自己比较满意，看到不太好的再回去改代码。最近比较大的一次调整就是从Gemini全面迁移到GLM5.2，还是有不少没想到的问题🤣 user avatar 起风了 ｜AI Lab @YuriWang49 Jul 15 感谢老师