agentleFS
439436269-ctrl439436269-ctrl/video-pipeline-skills/skills/video-pipeline/SKILL.md

video-pipeline

Skill1 starsChanged 35 days agoMITView on GitHub

短视频流水线的总入口:把「一条编排 skill + 一组原子 skill」的 AI 短剧生产链装进 DSH 后,按环节选对原子 skill。覆盖选题与报价门、中文配音读音校正、文生图、文生视频/图片运镜、成片合成、封面、成片核验、数据复盘、多平台发布。Use when starting or resuming a short-video production run, choosing which atomic skill handles a stage (TTS, image, video, compose, cover, verify, publish), or working out what this skill pack provides.

  • Reads credentials

6 other projects use a version of this.

Adopted by

Most recently taken up by

The file

Files
SKILL.md

本仓是宿主中立版本(Claude Code / Codex 等支持 SKILL.md 的宿主)。安装方式见本仓 README.md。 下面正文与 DSH 插件仓同源;正文里凡出现「DSH」,指的是这套 skill 的上游宿主。 其中「插件配置 placeholders」「加载时自动替换」也是 DSH 的机制——在本仓里占位符已经直接写成可读值 (例如 %USERPROFILE%、<飞书 base app_token>),按需改成你自己的即可。

video-pipeline — 短视频生产流水线总入口

本包把一条已经跑通的 AI 短剧生产流水线整体装进 DSH:一个编排 skill 负责调度与确认门,一组原子 skill 各管一个环节。所有 skill 随插件一起安装,直接出现在 agent 的技能目录里——不需要往 ~/.agents/skills 复制任何文件。

目录规模:共 19 个内置 skill = 1 个总入口(本 skill)+ 1 个编排(tangshi-pipeline)+ 17 个原子 skill。

先读哪一份

你的处境加载哪个 skill
要完整跑一集(选题到发布)tangshi-pipeline —— 编排层,含双版本规格、时序、成本基线、质量门
只做其中一步(配音/出图/合成/核验…)下表的对应原子 skill
要一次发到四个平台quad-platform-publish
要按批次发到多个平台multi-platform-publish-orchestrator
发布后回收数据tangshi-data-review

环节 → 原子 skill

环节skill一句话
中文配音chinese-tts多音字读音校正(朝zhāo/还huán/重chóng…)+ 音色与 context 模板
场景图(配额通道)ark-agent-plan-image火山 Agent Plan 专属端点出图,扣 Plan 配额
场景图(按量通道)ark-seedream-image标准 API 按量出图,Plan 配额用尽时切这里
文生视频 / 图生视频ark-seedance-video一条镜头一次调用:create → poll → download,含 token 计费公式
图片 → 运镜镜头image-to-video单张关键帧用 ffmpeg zoompan 出缓推/缓拉镜头
合成成片video-compose镜头列表 + 配音时间轴 + SRT → 竖屏成片(一条 manifest)
封面video-cover一次出 B 站 16:10 与竖版双封面
成片核验media-verify音频对位(astats)、版本比对、白屏检测
数据复盘tangshi-data-review三平台播放数据采集、衰减分档、复盘报告
发布(总控)quad-platform-publish四平台并行发布、确认门、风控速查
发布(单平台)bilibili-upload / tencent-upload / douyin-publish / xiaohongshu-skills各平台的登录、上传、合集管理
进度回写feishu-bitable飞书多维表格读写
备用生成线dreamina-canvas-cli即梦画布 CLI

流水线骨架(五段)

  1. 选题与门①:定诗题/题材 → 出报价(图 + 视频张数/秒数 × 刊例)→ 等用户确认再动 API 花钱。
  2. 生产:TTS 配音 → 场景图 → 镜头(图片运镜 或 t2v)→ 合成 → 核验。生产段可以整段并行:图与视频先生成、统一 poll。
  3. 质量门:media-verify 核音频对位与静默窗、抽帧查白屏与人物一致性;不合格回炉,不进入发布。
  4. 门②发布确认:标题、封面、可见性给用户确认一次。这一步不能省——发布是外部可见动作。
  5. 发布与回写:按平台并行发布 → 回读平台确认成功 → 把链接与状态回写飞书。

顺序上两条硬经验:生产与发布重叠(发布 agent 跑起来后主线程就开始下一集),同平台资源不共享浏览器 profile(互相杀进程会让发布卡住)。

配置:占位符怎么填

本包为了可以公开发布,把原作者环境相关的东西全部替换成了占位符(写成双花括号包住变量名,例如下表的 USER_HOME 字段)。加载 skill 时按下面的顺序取值:插件配置 placeholders → 环境变量 → 内置可读默认值。

占位符含义可用的环境变量
%USERPROFILE%本机用户目录USERPROFILE / HOME
<你的工作区>你的工作区根目录DSH_WORKSPACE / WORKSPACE
<设置环境变量 ARK_API_KEY>火山方舟 API keyARK_API_KEY / ARK_STD_KEY
<本地保存 ARK key 的文件>本地存放 key 的文件路径ARK_API_KEY_FILE
<飞书多维表格 base app_token> / <飞书数据表 table_id> / <飞书记录 record_id>飞书多维表格坐标同名
<NAS 交付目录,如 /sata1/public/公共分组/唐诗300首短剧> / <NAS 交付目录的父目录> / <NAS 主机>NAS 交付目录与主机同名

在 profile 的 cordis.patch.yml 里按 entry id 覆盖(config 是整块替换,要保留的键得全写):

- id: dsh-video-pipeline
  config:
    placeholders:
      FEISHU_BASE_APP: your_base_app_token
      NAS_DELIVERABLE_DIR: /your/nas/deliverables

脚本里的占位符不会自动替换:scripts/ 下的 python/mjs 是真实脚本文件,里面的 %USERPROFILE%、<你的 …> 需要你改成自己的值再跑。skill 正文里会说明每个值的含义。

前置依赖

  • ffmpeg(合成、运镜、核验都依赖)——版本越新越好,xfade/ass/loudnorm 需要较新版。
  • Python 3(scripts/ 下的 py 脚本),配 Pillow(封面/图处理)。
  • Node.js(scripts/ 下的 mjs 脚本)+ 各平台需要时装 playwright。
  • 各平台自己的凭据:B 站 biliup 凭据、视频号/抖音/小红书的登录态。这些必须你自己登录获取,本包不含任何凭据。

打包说明与第三方代码

  • 本包的 skill 来自一条真实生产流水线,发布前已剥离:真实 API key、cookie/登录态、平台账号 ID(作品号/合集号/UID)、个人绝对路径、内网地址,以及全部真实运营数据——包括五份数据复盘文档,以及正文里对作者账号播放表现的绝对数字与实测倍率(已改写成定性规则)。保留下来的是可执行的方法论:产能上限、发布时段、采样制度、选片权重、质量门。要按同样口径复现,用 tangshi-data-review 的采集脚本对自己的账号重跑。
  • xiaohongshu-skills 是第三方 MIT 代码(white0dew/XiaohongshuSkills,LICENSE 署名 angiin),随包保留了其许可证与署名,详见 THIRD-PARTY-NOTICES.md。
  • 部分 scripts/ 里引用的输入文件(posts.json、*-stats.json、dy_works_all.json 等)是采集脚本自己写出来的产物,首次运行前并不存在——按顺序先跑采集再跑分析即可。

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.