我删了剪映！把神级 Skill 塞进 Claude Code，12小时直播全自动高光切片，彻底解放双手！

大家好！我是瓜哥。前互联网技术副总裁，现在带队死磕 AI 编程。

上周日，我的《Gemini CLI实战课》第一期终于交付完了。看着硬盘里整整 12 个小时的直播回放，我是真的发愁。

想要做二次分发，常规思路就是丢进剪映一刀刀切。但说实话，让我去人肉拉进度条、剔除无声废话、还要人工打轴挑干货……光是想想，我就头皮发麻。

天天教别人用 AI 提效，自己总不能还干这种体力活吧？

我就开始琢磨：能不能一分钱不花，直接让 AI 把这些高光时刻和知识点全自动剪出来？

说干就干。踩了一堆坑，折腾了一整天，还真让我给搓出来了。废话不多说，先看效果：

一个 2 小时的视频，整个自动切片的过程大概 25 分钟搞定。

一共产出了 17 个切片，任务结束后，自动将切片视频存放到指定目录。

随便打开一个，知识点识别准确，时间切分完整。

这一切，都归功于有了这个Skill： video-clip（长视频切片）

今天就来聊聊，我用 Claude Code 打造这个自动切片神器的复盘。

如果你对如何创建Skill，或者对长视频自动切片感兴趣，这篇避坑指南绝对能帮你少走弯路，还能省下大笔的 Token 账单。

核心要点目录：

1. 为什么你的 Skill 总在白烧钱？

1. 治好 Whisper 胡编乱造的毛病

1. 别拿 3 万字去考验大模型的记性

1. 怎么让 AI 像老剪辑师一样切片？

这种 超级干货，强烈建议 先收藏再阅读！想了解更多 AI 编程实战技巧，点 '关注' 上车！

先跟大家分享下，这个 skill 的整体实现思路。

一、长视频自动切片实现思路

第 1 步：跟 AI 打磨 Skill 提示词

先跟 Gemini，讨论打磨 skill 创建提示词，确保skill创建的名称、描述、脚本、核心流程、使用边界明确。

第 2 步：在Claude code 里创建 skill

启动claude code，手动创建 skill

第 3 步：实现视频读取和提取字幕

安装whisper，从长视频中提取字幕

视频比较大，2个多小时，光字幕提取这一项在我macbook上就花了20多分钟。

第 4 步：将字幕进行拆分给到大模型

解决语义识别的问题。这里需要借助大模型的语义识别分析能力，精准的识别视频里的“高光时刻”和“情绪饱满”的的片段。

第 5 步：基于语义识别进行自动切片

本地调用 FFmpeg，用大模型来阅读字幕并返回标准化 JSON，使用 Python 驱动 FFmpeg 执行视频切片。

剩下就是配个封面图，就可以直接发布了，爽！

二、实战避坑与解决方案

说实话，整体实现思路不难。

但，魔鬼都藏在细节里，为了搓出这个 video-clip（长视频切片）Skill，我踩坑踩到怀疑人生。仅仅是一个 Python 脚本，就改了至少不下5次。

接下来，是本文最高价值的踩坑经验以及解决思路。

01 | Agent 嵌套反模式

第一版写完，我满心欢喜地在 Claude Code 里跑，结果上来就直接罢工。

怎么了？

因为我用AI辅助生成的 skill 创建提示词，使用了传统的“自动化脚本思维”。在底层 Python 脚本里硬编码了调用大模型的代码，一上来就强制索要 API Key。Claude Code 本身就是一个拥有强大“脑力”的 Agent，结果底层的干活脚本还要再去调一次外部大模型。

这导致了三个致命问题：

① 阻断执行（没Key直接崩）

② 双重计费（付两次Token的钱）

③ 丧失灵活性（锁死在某一家模型）。

重要经验总结：

开发 Agent Skill 的黄金法则是：让大脑归大脑，让四肢归四肢。

❌ 避坑：脚本死死绑定 Anthropic API，全局强制检查 ANTHROPIC_API_KEY。

✅ 推荐：原子化解耦。Python 脚本只负责重体力劳动（提取字幕、FFmpeg 裁剪）；AI Agent 负责认知决策，读取字幕分析高光，下发 plan.json 给脚本去剪。

02 | Whisper 的静音幻觉

底层的语音识别，我一开始用的是原生的 Whisper。结果发现，讲师在写代码时如果有一两分钟没说话，原生 Whisper 听到这段纯静音直接“发疯”，瞎编出一长串“谢谢观看”、“请订阅频道”之类的幻觉字幕。

而且原生版 Whisper 太臃肿（约1.4G），跑起来极慢，连我喝水的停顿都要硬翻译成几句废话。后来换成了 faster-whisper（约240M），直接跳过空白，只听干货，速度大幅提升。

具体优化效果如下：

重要经验总结：

技术选择上一定要仔细的了解实现细节，选对了能大幅提效，选错了又耗资源又费钱。

❌ 避坑：用原生 PyTorch 版 Whisper 硬跑全量视频。

✅ 推荐：用 faster-whisper，开启 compute_type="int8" 量化，并务必加上 vad_filter=True（静音检测过滤）。

03 | 超长上下文灾难

2 个小时的直播课，字幕大概有 3 万字，1 万多行字幕。

试想下，把这么多的信息，一次性丢给大模型，不仅 Token 原地爆炸，还会触发 LLM 的通病：中间失忆症（Lost in the Middle）。

这就好比让一个人一口气读完一整本《新华字典》然后总结，他肯定只记得开头和结尾，中间最精彩的知识点全漏了。

为了解决这个问题，我强行给 Agent 设定了 Map-Reduce 策略。

重要经验总结：

对于要大模型梳理的数据量过大时，一定要合理的进行切分，每次给一部分，确保大模型的推理效果和输出质量。

❌ 避坑：把 30,000 字的 SRT 文件一次性丢进 Prompt。

✅ 推荐：

1. 智能拆分： 先执行分段拆分。

1. 分批咀嚼： 逐个读取拆分后的部分，挑选 3-5 个硬核实战点。

1. 去重规划： 合并结果，处理重叠区，最终生成全局的切片计划。

04 | 时长与语义的博弈

这个坑我踩了两次才爬出来。

一开始，我在参数里设定了 --max-duration=180（最长180秒）。结果碰到一个极其干货的知识点讲了 238 秒，底层的 Python 脚本为了遵守规则，在 202 秒的时候直接一刀切断。

这就好比听相声，刚好听到包袱前，规定时间到了，直接闭嘴。这切出来的视频不就成了废品吗？

于是我彻底重塑了 Agent 的剪辑价值观，在 SKILL.md 里强行注入规约。

重要经验总结：

自动切片里一个很重要的点是要需要提前想清楚的，就是整个切片的逻辑是什么，比如：切的是情绪激昂的部分、、还是金句密度高的段落、还是某个完整观点的输出。

❌ 避坑：底层逻辑死板，if duration > 180: cut()，强行物理截断。

✅ 推荐：确立“语义完整性拥有绝对优先权”。最大时长只是个“软限制（Soft Target）”。如果知识点长达 5 分钟，绝对不能截断，要么完整保留，要么在逻辑停顿处拆分为“知识点(上)”和“知识点(下)”。

写在最后

说实话，用 AI 来写代码和造工具，门槛确实越来越低了。但这绝不意味着你可以完全撒手不管。

很多时候，Agent 表现得像个“人工智障”，并不是因为它不够聪明，而是我们给的规矩没立好。

虽然现在的全自动切片还不能完全取代人工后期的精修，但在提取知识点、做课程切片分发这个场景下，它已经能帮我省掉 90% 的拉进度条时间了。

好的 AI Skill，不是堆砌多少复杂的底层代码，而是把好的思考习惯，写成大模型能懂的规则。

以上，就是今天的内容。我是AI编程瓜哥，如果你对自动切片skill感兴趣，欢迎关注我，第一时间接收skill迭代更新干货分享。