YouTube Clipper

五维评分

优秀点拆解

• LLM 语义核心 + 确定性脚本工具链的双层分工：脚本只做解析/FFmpeg/格式转换并输出 JSON，章节切分、翻译、文案全部由 Claude 运行时完成（translate_subtitles.py 注释明确『实际翻译由 Claude 执行，脚本只是准备数据和提供接口』），JSON 接口解耦、脚本可独立测试（utils.py 自带断言测试）
• AI 语义章节分析作为差异化核心：读取带时间戳的完整字幕，在主题转换点切 2-5 分钟粒度章节，每章带标题/摘要/关键词，并要求『所有内容已覆盖，无遗漏』，把视频剪辑中最贵的人工找点环节交给模型语义理解
• 把真实踩坑工程化成可持续资产：TECHNICAL_NOTES.md 10 节『问题→根因→失败尝试→有效方案』（如 FFmpeg subtitles 滤镜空格路径 bug 用无空格临时目录规避、Homebrew 标准 FFmpeg 无 libass 的检测与引导安装），FIXES_AND_IMPROVEMENTS.md 记录实测修复（进度条 total_bytes=None 除零等）
• 批量翻译优化：每批 20 条字幕一次 API 调用翻译（600 条→30 次，省 95% 调用），返回 JSON 数组按序对齐，并给出 20-25 条质量/成本平衡点的调参依据
• 完整用户交互设计：执行前环境自检+精确修复命令、AskUserQuestion 多选章节与处理选项、每步 emoji 进度展示、输出按时间戳目录组织四件套（原始剪辑/硬字幕版/双语 SRT/文案），并附快速预览命令

可复用的设计模式

• 『准备数据 → LLM 消费 → 写回结构化结果』的 JSON 接口模式：脚本输出带时间戳的 JSON，agent 阅读判断后填充占位符，接口契约清晰、脚本与模型彻底解耦
• 执行前环境自检 + 精确修复引导：开头一次性检测 yt-dlp/FFmpeg/libass/Python 依赖，失败直接给出 brew install ffmpeg-full 等可复制命令，避免工作流中途炸掉
• 外部工具 bug 的沙盒执行规避：把文件复制到 tempfile.mkdtemp() 无空格临时目录执行 FFmpeg、finally 清理、输出移回，对用户路径零要求
• 运行期坑点双文档沉淀：TECHNICAL_NOTES（技术坑+解法）+ FIXES_AND_IMPROVEMENTS（修复 changelog）+ .env.example（全注释配置模板）三件套，让 skill 随真实使用持续进化

适用场景

边界与注意：仅支持 YouTube（URL 验证只认 youtube 三种格式）；依赖英文字幕做语义分析，无字幕/自动字幕差的视频章节分析退化；主要验证环境是 macOS（ffmpeg-full 为 Homebrew 概念）；-c copy 流复制剪辑非逐帧精确；翻译/文案依赖运行时模型能力，脚本独立运行只能出占位符；需自行注意版权合规，网络受限环境要配代理。