Web Video Presentation

Web Video Presentation

把一篇文章或口播稿，一步步做成可录屏的"伪装成视频的网页"，可选合成 口播音频。产出物 = Vite + React + TS 项目 + 按章节切分的音频。

适用场景

• "我有口播稿 / 一篇文章，帮我做成视频" —— 口播驱动的内容
• 想做 "动态 PPT"
• 16:9 横屏录屏，大字、留白、每屏都要有动效
• 教学 / 产品演示 / keynote 想要电影感
• B 站 / YouTube /抖音视频内容

本 Skill 以方法论 + 协作流程为核心。脚手架模板提供 token 和原语， 但每个美学决策（配色、字型、动效气质）都应该针对你的主题重新设计 —— 不要照搬。

工作流总览

Phase 1   内容编写
   1.1  识别用户输入
   1.2  一次产出 script.md + outline.md
        （口播稿 + 开发计划）
   ▼
[Checkpoint Plan]      ← 必须停。一次对齐 5 件事：
                         稿子 / outline / 主题 / 素材 / 开发模式
   ▼
Phase 2   网页开发
   2.1  脚手架（按选定主题）
   2.2  第 1 章 = 主线程 + 完整版本（强制 anchor）
        ▼
        [硬节点] 用户验收第 1 章 ← 不可跳过
        ▼
   2.3  第 2~N 章（按选定模式：A 逐章 / B 顺序 / C 并行）
   ▼
[Checkpoint Audio]     ← 必须停。是否合成音频
   ▼
Phase 3   音频合成（可选）
   ▼
Phase 4   录屏 + 后期

工作目录约定（agent 在用户当前目录下创建 / 编辑）：

my-video/
├── article.md          # 用户给原文时必有 —— 不删！开发阶段画面信息源
├── script.md           # 必有：保持原文语言的平台化口播稿（决定节拍）
├── outline.md          # 必有：开发计划（章节切分 + 每步内容 + 信息池）
└── presentation/       # 脚手架产出的 Vite + React + TS 项目
    ├── src/chapters/<NN>-<id>/
    │   ├── <Chapter>.tsx     # 视觉实现
    │   ├── <Chapter>.css
    │   └── narrations.ts     # ★ step 数 + 口播文本的唯一真相源
    ├── scripts/
    │   ├── extract-narrations.ts   # 扫所有 narrations.ts → audio-segments.json
    │   ├── synthesize-audio.sh     # provider-agnostic runner（循环 segments）
    │   └── tts-providers/          # 每 provider 一个 .sh（内置 2 个）
    │       ├── README.md           # 三函数契约 + 5 段现成代码片段（11labs / edge-tts / say / azure / gcloud）
    │       ├── minimax.sh          # 默认 provider，用 mmx-cli
    │       └── openai.sh           # 内置 OpenAI TTS（curl + OPENAI_API_KEY）
    ├── audio-segments.json         # extract 产出（合成前 review）
    └── public/audio/<id>/<N>.mp3   # 可选：合成的音频

关键：narrations.ts 是 step 数和音频合成的唯一真相源。 章节 .tsx 里的 if (step === N) 出现的最大 N + 1 必须等于 narrations.length。这保证 5 处地方（script / outline / 章节代码 / chapters.ts / 音频文件）永远不会漂。

硬性自检协议（贯穿整个 Skill）

下面三个产出，每一个完成后必须走自检 → 修复 → 再汇报 / 推进：

执行方式（按能力降级，优先用更隔离的方式）：

1. Agent Teams（最优）：开一个独立的 reviewer agent，给它"产出文件 路径 + 对应清单 + 关键上下文"，让它逐项核查并严格汇报结论 （哪几条 pass / 哪几条 fail + 证据 + 改写建议）。
2. subAgent（次优）：没有 Teams 能力但能开 subagent 就用 subagent 走同样流程。
3. 自检（兜底）：当前 agent 都没有上述能力，就自己严格逐项 核查 —— 不允许目测一遍就放行。

铁律：拿到结论后先按 fail 项把产出改完，再向用户汇报"做完了

• 自检结论 + 改了什么"。直接拿原始结论汇报但不修复 = 违规。

各阶段文件读取指南

不同阶段读不同的文件。长会话里 agent 容易遗忘原则，特别是 Phase 2.4 的"实现单章"会重复 N 次 —— 每次都要回看核心约束。

写章节时只读一份 CHAPTER-CRAFT.md。十条原则 / 开工 self-prompting / 决策树 / 反 AI 味反模式 / 完工自检全部并入这一份单一入口。EXAMPLES/ 不是必读 —— 先按内容自由设计，卡壳才翻（按 anchor 翻"形"，不要照搬）。

Phase 1 —— 内容编写（一次产出）

1.1 识别用户输入

1.2 一次产出 script.md + outline.md

两份产出物在一次思考中完成：

1. 生成 script.md：按 references/SCRIPT-STYLE.md 的规则把 article 转成保持原文语言的平台化口播稿。保留 article.md 不删——它是 outline 写信息池和章节实现画面时的细节源（双源原则）。
2. 生成 outline.md：按 references/OUTLINE-FORMAT.md 规则切章节 + 切 step + 每章首段抽信息池。

outline 的边界（关键）：

outline 不写动画的理由：写死动画 = chapter agent 退化为翻译机； 留白让 chapter agent 在每步开工时按 CHAPTER-CRAFT.md 的"内容驱动决策树"自由设计，才有真正的视频感。详见 CHAPTER-CRAFT.md Part 0 原则 7。

落盘后必须先走自检再进 Checkpoint Plan：按上文「硬性自检协议」分别 对 script.md / outline.md 执行（优先 Agent Teams → subAgent → 自检）， 按结论修复完成后再进入 Checkpoint Plan。

Checkpoint Plan —— 5 件事一次对齐（硬节点）

script.md + outline.md 写完后必须停下来。用户在这一个节点同时确认 5 件事。

agent 此时要做的预备工作

1. 读所有 themes/*/theme.json 拿 nameZh / descriptionZh / bestFor / mood —— 不要硬编码清单
2. 根据 script.md 的内容类型 / 关键词 / 语气，主动从主题里挑 2~3 套最匹配的推荐（匹配 bestFor 字段）
3. 扫一遍 outline.md 末尾"素材清单"部分

总结模板（骨架，agent 按情况填充）

内容计划写完，产出文件：
  📄 article.md     {若用户给原文则保留}
  📄 script.md      {X} 字 / ~{T} 分钟
  📄 outline.md     {N} 章 / {M} 步 + 每章信息池 + 末尾素材清单

章节速览：
  1. <id>     <章节标题>    <S> 步 ~<T>s
  2. ...

接下来一次对齐 5 件事：

  1. 稿子 (script.md) 要不要改？
     可以直接编辑文件，或口头告诉我修改方向。

  2. 开发计划 (outline.md) 要不要改？重点看：
     - 章节切分 / step 数 / 估时是否合理（合理判断：每章 30~60s）
     - 每步屏幕内容是否清晰
     - 每章首段「信息池」是否有足够的 article 细节供画面挂
     - 末尾素材清单是否完整

  3. 选哪个主题？我的推荐：
     ★ <推荐 1：nameZh (id)> — 因为 <bestFor 命中>；<descriptionZh 摘要>
     ★ <推荐 2 / 推荐 3>
     其它可选：<剩余主题，nameZh + 一句话>
     也可以让我帮你做新主题（详见 references/THEMES.md）。

  4. 真素材怎么准备？粗看本视频要的图：<列粗略清单>
     a) 我从 <现有素材路径> 帮你挑   b) 你自己提供   c) 全部 placeholder

  5. 开发模式选哪个？

     **第 1 章无论哪种模式都必须主线程做完 + 用户验收**（强制 anchor）。
     差异在第 2 章及之后：

     A) 默认 · 逐章确认（推荐）
        每章做完都暂停验收 → 风险可控 / 节奏最稳
     B) 第 1 章后顺序开发（不并行）
        第 2~N 章主线程顺序做完后统一验收 → 速度中 / 适合 agent 不支持并行
     C) 第 1 章后并行开发（subagent）
        第 2~N 章用 subagent 并行 → 最快 / 用户控并行数（一次几章）
        ⚠️ 风格各章会有差异（这是预期，主题禁区兜底）

收到反馈后：

• 稿子 / outline 要改：直接编辑文件，编辑完 ping 一次（或口头描述 agent 改）
• 主题必须明确才进入 Phase 2。用户说"主题你帮我选" → 取你推荐的第 1 个， 告诉用户你选了什么、为什么，给反悔机会
• 模式选定 → 进 Phase 2

Phase 2 —— 网页开发

2.1 脚手架

bash <path-to-web-video-presentation>/scripts/scaffold.sh \
  ./presentation \
  --theme=<用户选的主题 id>

bash <path-to-web-video-presentation>/scripts/scaffold.sh --list-themes

自定义主题 → 先按 references/THEMES.md "创作新主题"流程做一个 themes/<my-theme>/，再 --theme=<my-theme>。

脚手架带一个 01-example demo。在写第一章真实内容前删掉：

rm -rf presentation/src/chapters/01-example

并把 presentation/src/registry/chapters.ts 里 EXAMPLE_CHAPTER 的 import 和数组项移除。

2.2 第 1 章 —— 主线程 + 强制验收

核心：第 1 章 = 完整版本一次到位（节奏 + 视觉 + 真素材齐全）。 没有"骨架版"概念 —— 第一章就要做出用户能直接验收的样板。

为什么第 1 章必须主线程：

• 它是 CHAPTER-CRAFT.md 这套指引在当前 主题 + 当前题材下的第一次落地
• 如果指引有盲区 / 主题颜色 / 字体 token 不够用，第 1 章一定会暴露 —— 这时候有人类反馈就能修指引 / 调主题，早改成本最低
• 后续章节（无论顺序 / 并行）都要参考第 1 章的代码模式，所以第 1 章 = 当次项目的"风格锚点（不强求章节间一致，但单章自身得有完整说服力）"

做完第 1 章后必须停下来等用户验收：

第 1 章 <id> 做完了，dev server 在 localhost:5173 运行。

验收重点：
  □ 视觉气质对不对？符合 <theme nameZh> 的预期吗？
  □ 节奏对不对？某些步太快 / 太慢 / 信息太薄？
  □ 内容驱动动画是否到位？还是有几步是无脑入场动画？
  □ 双源原则：屏幕画面有没有"口播没念但 article 能挂"的细节？
  □ 反 AI 味检查：紫粉渐变 / 圆角彩色边框 / 假插画 / emoji 是否有？

问题告诉我，我针对性改。OK 了告诉我"继续"，我按选定模式做第 2 章及之后。

2.3 第 2~N 章 —— 按选定模式

所有模式下的共同规则：每章独立按 CHAPTER-CRAFT.md 开发。风格不强求章节间完全一致 —— 主题颜色 / 字体 token 兜底视觉 统一，动画 / 节奏 / 视觉演示由章节自由发挥是设计预期。

模式 A · 默认 · 逐章确认

第 2 章做完 → 暂停验收 → OK → 第 3 章 → 暂停 → ... → 第 N 章。每章 独立验收，问题随时改，风险最低，节奏最稳。用户不明确选模式时 默认走这个。

模式 B · 第 1 章后顺序开发

第 2 章 → 第 3 章 → ... → 第 N 章 主线程顺序做完，最后统一验收。 速度中等，适合 agent 不支持并行任务的环境。

模式 C · 第 1 章后并行开发（subagent）

用 subagent 把第 2~N 章并行做完，最大并行数由用户控制（"一次 4 章" / "一次 2 章"）。最快，但风格各章会有差异 —— 这是预期，因为：

1. 每个 subagent 看不到别的 subagent 产出，无法机械对齐
2. 章节代码物理分离（每章一个文件夹 / 自己的 CSS 前缀），不会互相 破坏
3. 主题 token 兜底视觉统一（颜色 / 字体 / hero 数字 / 卡片 / 分割线 性格 / 装饰），气质不会跑偏
4. 风格不一致 = 人手写视频的呼吸感（多 voice / 多视角）

并行 subagent 的 prompt 必须包含：

• 当前章节 outline 段落（含信息池）
• references/CHAPTER-CRAFT.md 的路径（单一必读 —— 视觉演示要求 + 逐步揭示 + 双源原则 + 反 AI 味 + 代码红线 + 完工自检全部在这一份里）
• 当前主题 theme.json 的 descriptionZh / mood / bestFor（参考气质 即可，动画 / 时长 / 字号 / emoji 由 chapter agent 自由决定）
• 第 1 章代码作为"代码风格"参考（不是"视觉抄袭对象"）
• 硬规则：每章独立 CSS 前缀（.cd- / .mg- / .pm- / ...）； 不修改 chapters.ts；完工跑 npx tsc --noEmit

重要：无论选哪种模式，用户随时可以中途切换模式。第 2 章 OK 后用户说"剩下的并行" / "剩下的逐章" 都行。

2.4 实现单章（每章必走）

详细指引见 references/CHAPTER-CRAFT.md —— 单一必读入口，覆盖：视觉演示要求 / 逐步揭示 / 内容取舍 / 双源原则 / 视频演示基本审美 / 反 AI 味 / 代码红线 / 完工自检。

核心要点（CHAPTER-CRAFT.md 详述）：

• 每章必须有 CSS / SVG / Canvas / JS 视觉演示，禁纯文字章节
• 逐步揭示：清单 / 列表必须 1 项 = 1 step，禁一次全展示
• 双源原则：节奏跟口播稿（顺序不能乱），细节回原文章抽（信息池 + 本章 article 段落）
• 完工自检逐项过，不达标回去改 —— 按上文「硬性自检协议」执行 （优先 Agent Teams → subAgent → 自检），改完再向用户汇报本章交付

2.5 大改后 bump STORAGE_KEY

改动 chapters.ts（增加 / 删除 / 重排章节，或某章 narrations.ts 长度变化）后，bump presentation/src/hooks/useStepper.ts 的 STORAGE_KEY（如 v4 → v5），避免持久化游标落到不存在的 step 上。

Checkpoint Audio —— 是否合成音频（硬节点）

Phase 2 结束后必须停下来，问用户：

网页做完，{N} 章 {M} 步，dev server 在 localhost:5173 跑着。

要不要合成音频做"自动播放录屏"？
  ✓ 合成 → 扫所有章节的 narrations.ts 出 audio-segments.json，
           调 TTS provider 合成每步一个 mp3 到 public/audio/。
           合成完后用 ?auto=1 模式可以一镜到底录屏（音视频天然同步）。
           内置两个 provider：
             • minimax (mmx-cli)    —— 默认，中文音色稳
             • openai  (OPENAI_API_KEY) —— curl-based，多数已有 key
           其它后端 (ElevenLabs / edge-tts 免费 / macOS say 离线 /
           Azure / Google) 见 scripts/tts-providers/README.md 的现成片段。
  ✗ 不合成 → 跳过 Phase 3，直接 Phase 4 用手动录屏 + 后期配音。

要合成 → Phase 3。不合成 → 直接 Phase 4。

Phase 3 —— 音频合成（可选）

详细流程见 references/AUDIO.md。简版：

cd presentation
npm run extract-narrations   # 扫所有 narrations.ts → audio-segments.json
# 让用户扫一眼 audio-segments.json 确认文本对
npm run synthesize-audio                       # 默认 minimax provider，增量
# 或用内置 openai (要 OPENAI_API_KEY):
PRESENTATION_TTS=openai npm run synthesize-audio
# 或自定义：写一个 scripts/tts-providers/<name>.sh，见该目录的 README.md

合成完告诉用户：输出位置 / 总段数 / 哪些段时长异常（太长 = 该 step 拆 分；太短 = 文案太薄）—— 给最后一次校准节奏的机会。然后进入 Phase 4。

Phase 4 —— 录屏 + 后期

详见 references/RECORDING.md。两种路径：

agent 在 Phase 3 / Checkpoint Audio 后主动告诉用户适合的录屏路径。

十条原则（一句话清单）

完整展开见 references/CHAPTER-CRAFT.md Part 0 —— 写章节时回那里查，下面只是索引。

常见用户反馈速查

简化表见 references/CHAPTER-CRAFT.md Part 8「常见反馈速查」。关键：先定位是哪一层（节奏 / 视觉 / 内容 / 代码），再改最小切片，不要重做整章。

相关资源

按"何时读"标注，避免一次性全读：