这一期：
8 个 AI 玩推箱子。
8 个大模型做同样的 6 道推箱子题，有一个 6 关全挂，直接 0 分。视频标题是《我让8个AI玩推箱子，有个拿了0分，还怪题目无解？》。
封面用内置 image_gen 生成，3:4、4:3、16:9 三个比例分别出图，主文案是“8大AI推箱子 / 有个AI / 直接0分！”。第二版是按我的意见改的，原话是：“零分属于其中一个AI，封面不能让人误读为所有AI都过不了。”
现在用的是第三版，采纳了一轮独立审稿（AGY）的修改建议：底部换成小人推着箱子卡进墙角、打一个红叉的死局画面；8 个模型的 logo 是没标成绩的参赛阵容，谁拿了 0 分不说；GLM 用的是官网现在的 Z 标。
给一个口播，拿到一整条 4K 画面层。
B-roll 这边，精剪后的口播 6 分 55.133 秒，24908 帧 @ 60fps，分成 14 章。每章一个 4K MP4，首尾相接正好铺满整条时间线，另外再拼一整条全片。我在剪映里拖上去，叠上头像和字幕就能用。
14 章标题与时长
- 00开场悬念27.0s
- 01八强与计分规则35.9s
- 02第一关见分晓23.1s
- 03两强怎么过的36.3s
- 04其余六家怎么挂45.5s
- 05第三关开局陷阱23.3s
- 06DeepSeek小步快跑28.3s
- 07第四关GPT失误31.7s
- 08主动重开对比24.9s
- 09最后两关挑战32.4s
- 10Gemini被拦截20.7s
- 11冠亚军拆解35.3s
- 12跑分的代价21.3s
- 13去试试人机对战29.6s
先看成片，
下面都出自 4K 成片。
四段短片取自带口播的 1080p 预览，网页里压成了 720p，能听出画面怎么跟着台词走；截帧来自 4K 成片。交给剪辑的 4K 成片本身不含口播，只带配乐和音效。画面里的排行榜都是公开数据。还没看视频的话，下面有剧透。
我给的，
就是第一条消息。
改好的稿子
稿子里写的画面提示会直接采纳；没有稿子，就只靠 SRT 理解。
口播录音和剪映 SRT
原始录音先用我的 ajiang-koubo-cut 精剪：去重录、修气口，交出精剪 MP4、SRT 和逐词转写。后面只认这一条时间轴。
线上排行榜、挑战页和本地数据页
产品是我们团队自己的 ModelDial Arena。推箱子的渲染代码和舞台主视觉，后来都从它的源码里拿。
“ego browser 去弄真实的操作视频”
让它用 ego-browser 截真实网页、录真实操作。
skill 对输入的约定
可以是没剪过的原始录音。帧率必须是恒定整数，纯音频按 60fps。
有源码就移植前端动画、拿产品主视觉；没有产品站，就截口播提到的真实来源。
图优先当真实素材用；参考片先判断片种，拆成手法清单逐个取舍，不整体照搬。
12 个环节，
只在第一章停一次。
整套流程拆成 12 个环节，从上到下是先后顺序。每一行写清楚谁在干活、用了哪些开源项目和 skill、交出什么。标着卡点的那几行，才会停下来等我。
- 00
盘点
条件卡点- 我
- 只有找不到口播、或帧率不是恒定整数时才停。
- 主控
- 列出稿子、音视频、SRT、网址，用 ffprobe 看时长和帧率；找产品源码和产品主视觉；看上一期成片 3–5 段。
- 用到
- 产品源码（这期是 ModelDial Arena）
- 01
精剪
原始录音才需要- 主控
- 去重录、补全句子、修气口；之后只认精剪时间轴。
- 用到
- ajiang-koubo-cut · faster-whisper
- 产物
- 精剪 MP4 · SRT · 逐词 ASR
- 02
读懂 · 定主题 · 分章
写 BRIEF 之前- 主控
- 写 200 字理解和勘误表。主题 = 产品自己的美术 × 这期的演出类型。一章回答一个问题，20–55 秒，切在转折句开口处。定四张表：悬念揭晓、逐句镜头、口径、用词。
- 产物
- chapters.json · shotlist.csv（每个素材只归一章）
- 03
一条命令建工程
- 主控
- init_project.py：模板、分段、逐字对齐、入口、口播切片、依赖、tsc。
- 用到
- Remotion 4 + React 19
- 产物
- timing.json · segN.tsx
- 04
素材 + 隐私第一道
入库即扫码- 主控
- 移植产品前端动画，用真实数据驱动；2x 截图，用来证明“页面上真这么写”；抽产品配色和字体，拉 logo，深色舞台出反白版；每入库一批就扫二维码，再人眼过一遍隐私。
- 子 Agent
- 采集 Agent（可选）：截图、录真实操作；不进设置页和 Key 页。
- 用到
- ego-browser · lobehub icons · OpenCV · Codex CLI（最后一档）
- 产物
- 截图 · tokens · logo · 回放数据
- 05
第一章 = 风格样板
每期必停一次- 我
- 看第一章预览，认可了就让它铺开。
- 主控
- 亲自做第一章，20–30 秒，逐句对口播；至少 2 张镜头卡，加上产品主视觉、logo 和悬念处理；自检两轮后发我。
- 子 Agent
- 分析 Agent ×2（各 ≤15 分钟）：一个选本期镜头卡，一个拆上期成片。
- 用到
- video-shotcraft 镜头卡和在线画廊
- 产物
- Seg0.tsx · 第一章预览和拼图
- 06
BRIEF + 并行派发
- 主控
- 第一章组件收进 lib，整段压测（≥40 秒预览）；写 BRIEF，第 0 节逐字写入我的认可原话；一条消息并行派出全部章节，记台账。
- 子 Agent
- 章节 Agent ×N 开工，每章一个（并发 ≤ CPU 核数 / 2）。
- 用到
- video-shotcraft 审美准则
- 产物
- BRIEF.md · ledger.json
- 07
收稿 + 第二轮
- 主控
- 每个通知到了就看它的拼图、记问题；后台巡检，30 分钟没有新产物就查卡在哪；用 SendMessage 定点修改，带时间点和数字。
- 子 Agent
- 读 BRIEF、lib、第一章和主角卡 → 写本章 → 自检 ≥3 轮 → 交稿。
- 产物
- SegN.tsx · 拼图 · 预览
- 08
声音
和 06–07 并行- 主控
- 配乐拼长、包络拉平、对齐口播 −16 LU、按段切；10 种语义音效，总增益 0.3。
- 用到
- Mixkit 配乐 · Freesound CC0 音效
- 产物
- 每段配乐 · mix.json
- 09
独立审片 → 第三轮
- 主控
- 分诊：共性问题等全员停下后改 lib，其余按章续派。
- 子 Agent
- 审片 Agent（干净上下文）：抽帧看全片，只出报告。
- 用到
- video-shotcraft 终检方法
- 产物
- 问题清单：严重 / 中 / 轻
- 10
预览闸门 + 隐私第二道
默认停，可跳过- 我
- 看预览页；说过“不要问我了”就跳过。
- 主控
- 各段重渲预览 → 再扫一遍二维码 → 生成预览页。
- 用到
- Claude Artifact
- 产物
- 预览页
- 11
4K + 交付 + 隐私第三道
覆盖交付目录前必停- 我
- 交付目录里已有成片时，问我覆盖还是另建。
- 主控
- queue.sh 验收过一段就渲一段；check.py 查帧数、响度、段尾、接缝亮度；成片每 2 秒抽一帧扫码；deliver.py 交付。
- 用到
- Remotion 渲染 · ffmpeg 拼接混音
- 产物
- 分段 + 全片 4K + 1080p 预览 + 剪映贴法
只在这几处停下来等我
开工
找不到任何口播，或者母版不是恒定整数帧率。没有时间轴什么都做不了；帧率错了，每段在剪映里都会错位。
第一章
主控做完、自检两轮后发我一次：逐句画面，加上替我定好的默认（悬念、logo、口径、安全区）。认可后不再停。
预览
内部验收和独立审片都修完、隐私两道关过了以后发预览页。我说过不要问，就直接渲 4K 交付，附 1080p 带口播预览。
覆盖交付目录
交付目录里已经有成片时，问覆盖还是另建一个。这一步不可逆，交付脚本会拦。
不停我，但内部要过的关
章节自检 ≥3 轮 → 主控验收拼图 → 独立审片 → 定点再修 → check.py。首检永远不交给我。
素材入库就扫 → 发预览前再扫 → 4K 成片每 2 秒抽一帧扫。二维码在源图上打码；邮箱、Key、设置页扫不出来，每张入库图还要人眼看一遍。
口播和网站数据有出入时，画面跟口播走，不露矛盾的数字。这是我在 v2 时说的：“我觉得说法以我的那个口播为准吧”。
第一章，
交了 4 版才过。
第一章是整片的样板，主控亲自做，做完必停一次给我看。这一章从 23:19 交 v1，到 00:53 我认可 v4，前后 94 分钟。
- v1 · 23:19被否
脱离口播的“三种镜头”样板
第一章 v1 拼图：主画面是比分卡，第一名和第八名的模型名、分数直接写着；下面是回放页截图和手画的死局示意 回放页截图推近、手画的“示意”死局格子、比分卡。三种镜头轮流放，跟我正在说的那句话对不上。
“做的啥玩意儿呀？你好好去检查一下行不行？你的音频完全没有跟画面一起走”
我还让它去看第 3 期的成片。
- v2被否
逐句对上了，但截图堆砌，还露了第一名
第一章 v2 拼图：第一名大卡写着模型名和 91.6 分，旁边露出第二名；下面是魔方榜和推箱子榜的整页截图 每句口播都有了画面，可几乎全是截图推近，第一名也露了出来。
“我们要保留悬念，所以在看最强模型的时候，很多时候你可以自己生成一些画面，别把模型名称露出来，你懂吗？”
“我觉得说法以我的那个口播为准吧”
“并不是所有的页面你都需要用实际的截图，你要去思考：讲到什么地方合适用截图放大，用 Screen Studio 的时候什么地方适合去做素材……什么时候用MG动画这些 好好的去思考”
“一定要用这里面这些好用的动画”
“你先用 Agent 去分析我们要参考的地方，然后先给我做一个简短的第一章节出来。我确认之后，我们再把整体的思路确认好，再去以同样的主题、同样的动画效果和风格去做后面的章节。”
第四句说的“这里面”，是 video-shotcraft。
- v3被否
藏过了头：黑底匿名小卡，没有 logo
第一章 v3 拼图：黑底上的匿名 ??? 小卡和七段码 91.6；下面是只露出标题的魔方榜和点阵示意 黑底匿名小卡、“1 点 = 1 分”的点阵示意、七段码数字，一个 logo 都没有。
“我非常不满意，你的第一段视频做得毫无那种感觉，完全没有那种大片的感觉。你对我们本期视频的主旨也没搞清楚：1. 你不要具体的排名，但是可以讲上期模型魔方的时候那些排行榜，对不对？魔方又没有关系 2. Logo 也没有用 3. 示意图那些写得感觉也很丑陋”
我同时贴了 lobehub icons 的 skill.md。问题出在派单：我只说了“别把模型名称露出来”，主控写成了“名称和 logo 都不露”。
- v4 · 00:5000:53 认可
产品自己的舞台，做成电竞转播
第一章 v4 拼图：产品舞台上的 1ST 记分牌，身份位停在问号，旁边巨大的 91.6；下面是 DEADLOCK 死局横幅和名字用 ??? 的 8×6 战绩矩阵 - 产品自己的舞台主视觉铺满全屏，做成电竞转播 HUD；
- 推箱子棋盘用真实回放驱动，第 7 步推死时，全屏 DEADLOCK 横幅擦过；
- 真实魔方榜（前几期的榜，可以露），8×6 真实战绩矩阵，名字用 ???；
- logo 老虎机停在“?”，170px 大标题，巨大的 91.6 和 0。
“我觉得你这个版本挺好的了，后续全部按这个做吧。”
推箱子是怎么动起来的
做 v2 的时候，我说：“推箱子的代码要动起来。本来我们就是用一些前端技术做动画嘛，对不对？推箱子那边我们的代码都在这边，你完全可以去复现出来”
ModelDial Arena 是我们自己的产品，推箱子的引擎和棋盘渲染本来就是前端代码。Agent 把它们移植进 Remotion，再用真实的回放数据驱动。画面上没有一步是手编的。
- 引擎照搬产品前端的推箱子引擎，规则和线上一致。
- 棋盘画面照搬产品的棋盘组件和样式，舞台主视觉、主持人立绘也直接用产品自己的图。
- 回放数据压成逐步的帧：每一步是走、推还是撞墙，每次机会是通关、死局、重开还是步数用完。
- 口播说到哪，棋盘就走到哪一步，可以停在两步之间。所以快放、倒带、定格都跟着台词走。
方向一明确，
v4 本身只用了约 8 分钟。
我去睡觉，
13 个章节 Agent 并行。
认可 v4 时，我接着说：
“剩下的全部交给你了，多个agent去并行开发了，记得交代清楚 不要问我了。最终我想得到的就是一个全部渲染成功之后的 4K 成片。去弄吧，我要睡觉了……右上角留一个很小的圆形位置 我放头像就好了，然后画面底部第一个我放字幕……生效的画面应该是布局合理的 不要太小 也不要太大”
主控是 Claude Code。一个工程，按文件分权：主控只管全局，主题、第一章、lib、跨章去重、声音、渲染、跟我沟通；每章交给一个子 Agent。大家共用同一个 lib、同一份 tokens、同一个第一章，所以合起来像一个人做的。
主控
Claude Code- 可写
- lib、数据、BRIEF、第一章、台账、预览页
- 不许
- 写章节内容；一轮进行中改 lib 的画面；替我表态或加码
分析 Agent
第一章之前- 做
- 一个选本期镜头卡并给第一章逐句配卡；一个拆上期成片
- 规矩
- 各 ≤15 分钟；不写文件，结论放在最终回复里
采集 Agent
可选- 做
- 用 ego-browser 截图、录真实操作
- 不许
- 进设置页、API Key 页、私人后台
章节 Agent
这期 13 个- 可写
- 只写自己那一章的文件
- 不许
- 改 lib 和别人的段；联网截图；渲 4K；写报告文件
审片 Agent
干净上下文- 看
- 只给预览、字幕、BRIEF、审片清单
- 交
- [严重 / 中 / 轻] 段号 @秒 — 问题 — 改法；只出报告，不改文件
消息怎么走
第一章之前
- 我 → 主控：一个输入（口播 + 稿子 + 网址）
- 主控并行派 2 个分析 Agent：选卡 / 拆上期成片
- 最终回复：10–16 张卡 + 第一章逐句配卡
- 主控发我第一章预览 + 替我定好的默认，停，只问一句
- 我：“后续全部按这个做吧”
并行制作
- 一条消息并行派出全部章节
- BRIEF 是宪法，提示词只写这一章的差异
- 巡检：后台闹钟，30 分钟没新产物就查卡在哪
- 任务通知 = 最终回复：交付路径、镜头表、清单、遗留、lib 需求
- SendMessage 定点修改，每条带时间点和数字
审片与交付
- 新开干净上下文的审片 Agent，只给预览、字幕、BRIEF、清单
- 问题清单：[严重 / 中 / 轻] 段号 @秒 — 改法
- 第三轮续派给原来的章节 Agent
- 验收过一段就进 4K 队列
- 交付：分段 + 全片 4K + 1080p 预览
这期的实测
个章节 Agent 并行，第一章由主控亲自做
分钟：第一轮每个 Agent 实际干活的时长
分钟：独立审片挑出 21 条
分钟：第二轮每段定点修改
分钟：排队渲完 14 段 4K
卡了 6 小时的一条命令
第一轮里，seg8 和 seg12 各卡在一条命令上约 6 小时：
rm -f $D/*.jpg
变量加通配符的删除。推断是弹出了权限确认框，我在睡觉，没人点。主控也没有巡检，就这么空等着。现在 skill 里写了两条：这类命令在 BRIEF 里禁用，改用 python 清目录；主控等通知时设后台闹钟，某个 Agent 30 分钟没有新产物，就去查它卡在哪条命令。
主控顺手修的两处
段首的亮背景接在上一段的暗舞台后面，会闪一下。加了 0.4 秒淡入。
音效总增益从 0.45 降到 0.3。
协作的 6 条规矩
- 1只转述我真说过的话，也不替我加码
我的原话放引号里，主控的推断另起一行写明。这期把“别露名称”写成“名称和 logo 都不露”，v3 因此被否。
- 2回报只放在最终回复里
子 Agent 不写报告文件，主控代存。
- 3改稿续派同一个 Agent
它带着上下文，定点修改每轮 2–8 分钟；ID 记在台账里，防止上下文压缩后丢失。
- 4一轮进行中 lib 冻结
只影响声音的参数放在 mix.json，随时可调；共性问题等全员停下再统一改。
- 5每段独立入口、独立打包目录
一段写坏不连累别人，所以可以放心并行。
- 6巡检，不要空等
派单禁用会弹确认框的命令，主控每 30 分钟查一次。
首检不交给我，
交付写清没验证什么。
章节交齐后，主控新开一个审片 Agent，干净上下文，只给预览、字幕、BRIEF 和审片清单。它用约 15 分钟挑出 21 条：严重 2、中 10、轻 9。两条严重的都是重复：
- 同一段 MiniMax 第 1 关回放，seg2 和 seg4 都放了；
- 魔方榜整页出现了 3 次。
第二轮 11 段定点修改，每段 2–8 分钟。4K 排队渲染，验收过一段就渲一段，14 段约 37 分钟。08:50 交付。
B-roll成片/
├─ 0_开场悬念_00-00-00,000~00-00-27,000_字幕1-15.mp4
├─ 1_八强与计分规则_00-00-27,000~00-01-02,867_字幕16-39.mp4
├─ …… 共 14 段，首尾相接，3840×2160 · 60fps
├─ 13_去试试人机对战_00-06-25,533~00-06-55,133_字幕233-251.mp4
├─ B-roll全片_4K_配乐音效_不含口播.mp4 24908 帧 = 母版
├─ 预览_B-roll加口播_1080p.mp4 只用来看效果
├─ 无配乐版/ 同名，只有音效
├─ 替换对照表.txt 每段起止、帧号、字幕条号
├─ 音乐与音效来源.txt 出处与许可
└─ 剪映贴法.txt文件名带 SRT 毫秒起止和字幕条号，按序号拖进剪映就是对的；不想拖 14 个文件，就用那一整条全片。
交付前自动查了什么
段 3840×2160 · 60fps，帧数和时间轴一致
配乐 + 音效比口播低；真峰值 ≤ −17 dBTP
段尾残留
段首接缝亮度差，剪映里不会闪
4K 成片抽帧扫二维码，0 命中
声音只用仪器测过，没有逐条试听
验证到哪一步，交付时写清楚
帧数、响度和真峰值、段尾、接缝亮度、二维码，都由脚本测过。
声音没有逐条试听，只用仪器测过。交付说明里如实写了。
我看完说：“做得太好了！”
复盘以后，
这些话下次不用再说。
交付后，两个独立的复盘 Agent 读完整段会话记录，把这期踩过的坑写回了 skill。下次开工，这些都是默认。
- 01
第一章就是样板，每期必停一次；认可后不再停。我说过“不要问我了”，连预览闸门也跳过。
- 02
主题 = 产品自己的美术 × 这期的演出类型，另配一张大片感检查清单。
- 03
写 BRIEF 前先定四张表：悬念揭晓、逐句镜头（每个素材只归一章）、口径（口播为准）、用词。审片那两条严重问题，都是同一个素材在几章里重复出现。
- 04
logo：lobehub 的单色、彩色、字标三种都拉，深色舞台出反白版；口播点名就出现；悬念身份位用 logo 老虎机停在“?”。
- 05
派单只转述我的原话，不加码。这期把“别露名称”写成“名称和 logo 都不露”，v3 因此被否。
- 06
主控巡检：子 Agent 30 分钟没有新产物就去查。
- 07
交付默认出 4K 全片和 1080p 带口播预览；check.py 加了接缝亮度检查。
想自己用，
先装好这几样。
npx skills add NanmiCoder/ajiang-vibe-coding-skills --skill ajiang-koubo-broll原始录音先用 ajiang-koubo-cut 精剪
去重录、修气口，交出精剪 MP4、SRT 和逐词转写。B-roll 只认精剪后的这一条时间轴。
video-shotcraft
作者 Vincentwei1021，Apache-2.0。skill 不打包它的文件，按它的仓库说明自行安装或 clone。
ego-browser
截真实网页、录真实操作。没有它也能做，但真实页面会少很多。
支持子 Agent 的 coding agent
主控要能并行派出子 Agent、给它们续派消息。这期用的是 Claude Code。
Remotion
Remotion 有自己的许可证：个人和小团队免费，公司达到一定规模需要商业许可。用之前先自查。
从这几步开始
- 01
装好 ajiang-koubo-broll 和 video-shotcraft，建议再装 ego-browser。
- 02
把稿子、口播（原始录音也行）、SRT 和产品网址交给 Agent；有产品源码，告诉它在哪。
- 03
等第一章。不满意就照实说哪里不对，它会把每条意见对到自检清单上再改。
- 04
认可时说清楚后面还要不要问你。说了“不要问我了”，它就一路渲到 4K 交付。
- 05
交付后自己听一遍声音：Agent 只测了响度，没有试听。
- 06
剪映里：精剪口播留在主轨，4K 全片放到上面一条轨；再复制一层口播加圆形蒙版放到右上角；导入精剪 SRT 当字幕。
方向错是最贵的错，所以只在第一章停一次；方向对了，剩下的交给一组 Agent。
素材与画面来源说明
短片取自带口播的 1080p 预览，网页版压到 720p；截帧来自 4K 成片；第一章 v1–v4 的图取自当时每一版的拼图；封面是本期正式封面（第三版）。头图和插图由 Codex CLI 生成，是示意图，不是成片画面。
B-roll 画面里只有公开的排行榜数据。文中数字来自这期的交付检查和会话时间戳；声音没有逐条试听。
致谢：
这期用到的开源项目。
这套 B-roll 是站在这些开源项目和免费素材上做出来的。下面逐个列出来，写清楚用在哪里。
video-shotcraft作者 Vincentwei1021
124 张镜头配方卡的动作语法、审美准则 aesthetic-rules、终检方法 final-review 都来自它。第一章至少用 2 张卡，之后每章 1 张主角卡；审美准则发给章节 Agent，终检方法发给审片 Agent。skill 不打包它的文件，需要自行安装或 clone。
lobehub icons作者 LobeHub
模型和厂商的 logo，经 unpkg 拉静态 SVG。单色、彩色、字标三种都用上了，深色舞台出反白版，logo 老虎机也靠它。
Remotion 4 + React 19作者 Remotion
整套工程：用 React 逐帧渲染视频，每章一个 composition，14 段 4K 都是它渲的。Remotion 有自己的许可证，个人和小团队免费，公司达到一定规模需要商业许可。
谢谢 Vincentwei1021 开源 video-shotcraft，这套 skill 的镜头动作是照着它的卡来的；也谢谢 LobeHub、Remotion、SYSTRAN，以及 Freesound 上 CC0 音效的作者和 Mixkit 的音乐人。