AI 剪视频还要装新软件吗？WorkBuddy 挂个 skill 直接出片

 

市面上的 AI 出片工具试了一圈，付费的开源的都是同一个套路：装一个新软件，或者打开一个新网页。工具是新的，学习成本也是新的——剪一条 20 秒的片子，光适应界面就得半天。另一条路数字完全不同：给正在用的 Agent 挂一个剪辑技能，说需求、丢素材、等确认、拿成片，全程没打开任何剪辑软件，19.3 秒的竖屏成片从原始素材直接到手。这篇把 WorkBuddy 加 video-use 技能剪视频的完整流程、五个坑和适用边界一次讲清。

 

skill 是给 Agent 装技能卡，不是装软件

 

先说原理。skill.md 本质是一份说明书加脚本库：Agent 平时不会剪视频，把 video-use 这个技能挂进去之后，它就知道剪视频要先盘点素材、再转写、按语音边界找切点、渲染完还要自检——相当于给一个聪明但没经验的同事发了一本操作手册。video-use 是开源项目，能力清单包括：剪掉嗯啊这类口头语和两段之间的死空、逐段自动调色、每个切口加 30 毫秒音频淡入淡出防爆音、按指定风格烧字幕、叠加动画同步旁白、渲染完在每个切点先自检一遍再交付。它设计上最聪明的一点是读视频而不是看视频：几万帧画面直接喂给大模型是几千万 token 的噪音，它只读转写出来的文字时间轴，十几 KB，需要确认某个切点时再看那一两秒的画面拼图。这套思路最拿手的是口播、屏录讲解、访谈这类靠说话推进的内容。

 

安装两条路和三个要点

 

安装有两条路。推荐让 Agent 自己装：新建会话把官方 setup 指令粘进去，它会自己拉仓库、装依赖、把技能注册进当前 Agent，只需要你亲手做一件事——去注册个转写服务的账号拿 API key 粘给它。手动路线四步也能走通，实测环境一次装成。三个要点都是踩过的：一是 ffmpeg 是硬依赖，技能只负责告诉 Agent 怎么剪，真正干活的是 ffmpeg，没装它技能就是个空壳；二是符号链接要链整个仓库目录而不是只链 SKILL.md，它的辅助脚本必须和 SKILL.md 待在同一个目录；三是转写服务的 API key 不是可选项，官方管线用它做语音转写，要外网、要 key、按量计费——这一步是后面所有坑的源头。

 

五步实操的全记录

 

第一步建文件夹丢素材：两段源文件加起来六十多 MB，全是原始素材没做预处理。第二步在素材目录打开 WorkBuddy 说需求：剪成竖屏视频，1080 乘 1920，节奏要快适合投放，同时附上四段口播稿——钩子、痛点、方案、引导下载。注意给的不只是素材还有文案结构，这很关键。第三步 Agent 先盘点素材给策略等你确认：它不会上来就动刀，先看源文件规格，把四段文案排进时间线估算时长，确认结构后才开始干活，这种先确认再执行的机制比一键生成工具让人安心。第四步渲染、翻车、补配音：第一版出来画面字幕都在但没有声音，提示加配音后它才处理音频；官方默认配音要外网且计费，实测换成微软免费的 edge-tts，女声语速加快百分之八，逐段生成后用 ffprobe 量时长对齐画面，这一段它自己写脚本自己跑，全程没让人碰一行命令。第五步交付：最终文件用 ffprobe 验过，1080 乘 1920 竖屏、时长 19.3 秒、H.264 视频加 AAC 音轨、11.4 MB。整个过程屏幕上没有出现过任何剪辑软件的窗口，你打开的始终是同一个对话。

 

成片验收看哪几项

 

拿到成片别急着发，四个硬参数用 ffprobe 验一遍：分辨率对不对、时长对不对、音轨在不在、封装格式是不是平台要的 H.264 加 AAC。参数过了再人工过三件事：听一遍配音有没有念错的专有名词，看一遍字幕有没有同音错字，卡一遍切口有没有吃掉关键字。这三件事机器自检覆盖不了，五分钟的验收能挡住九成的翻车。素材养成也给个建议：源文件命名带上日期和版本，口播稿单独存一个文本文件放素材目录，Agent 盘点时能直接读，省一轮来回。整套流程跑熟之后，一条两分钟的口播片从丢素材到拿成片，实际占用自己的时间不超过十五分钟，比学一款新软件的时间成本低得多。

 

五个坑都在这里

 

坑一：默认管线深度绑定转写服务，外网、API key、按量计费三座大山，换免费方案需要懂一点配置，对纯小白不算友好。坑二：不用装软件是相对的真话，ffmpeg 本身还是要装的，准确的意思是不用装一个需要你学会操作的新软件。坑三：它不读心，内容类型、目标时长、字幕风格、必须保留或剪掉的点交代得越清楚剪得越准，丢一句帮我剪一下大概率来回拉锯好几轮。给口播稿是性价比最高的做法：结构由你定，它只负责执行，返工率最低。坑四：一次到位是例外，验收兜底是常态，需求遗漏不在自检范围内，别把第一版当终稿，把它当草稿来审。坑五：它擅长能转写的内容，不擅长没有话的画面，纯配乐氛围片、无人声的空镜混剪，它的判断力明显打折，这类素材要么自己定切点清单，要么老实用传统软件。

 

和一键生成工具的分工

 

一键生成工具的强项是素材到成片全自动，弱项是内容不由你定，风格模板撞车严重。这条 skill 路线反过来：结构和文案完全由你给，Agent 只负责执行层面的转写、切点、调色、字幕和渲染，成片是你要的样子而不是模板的样子。两者的合理分工是：纯搬运式混剪、批量口播矩阵用一键工具省时间；对节奏和文案有要求的投放片、产品讲解片走 Agent 剪辑。判断标准就一条——你能不能写出四段口播稿，能写就用这条路线，写不出来说明内容还没想清楚，换哪个工具都救不了。

 

适合谁、不适合谁

 

这套方案的分工逻辑是：界面被替换成自然语言，你只说开头要抓人、字要大、别太拖，剩下是它去组合参数；但片子怎么讲故事、哪句是钩子、哪段必须保留，仍然是你的活——它替你按了按钮，按哪些按钮、按完什么效果算好，需要你点头。适合视频制作初级用户和轻度使用者，尤其已经习惯用 Agent 干活的人，学习成本约等于零；不适合专业剪辑师，逐帧手调时间线、多轨精细合成的活，传统专业软件依然更快。

 

一句话收尾：它不替你决定剪什么，但把你从学怎么剪里解放出来。工具和技能的边界正在重新划分，剪辑软件教会你的那套时间线思维不会白学，只是执行这一层，已经可以交给会读操作手册的 Agent 了。下次想剪视频，先别急着下载软件，问问你身边的 Agent 会不会。

 

如果你正在为团队搭建 AI 内容生产工具链，可以联系我们。目前相关产品已经在云巴巴平台上线，在那里你还能横向对比更多同类 AI 办公工具的能力边界与上手成本，按业务场景找到匹配的组合。