@autoaiai/aicut 0.1.11 → 0.1.13

package/skills/ll-video-decomposer/SKILL.md

@@ -1,105 +0,0 @@
----
-name: ll-video-decomposer
-description: "专业分析一个或多个视频，从本地视频或音频、视频链接、逐字稿生成有证据的五层拆解报告。完整视频同时检查内容、开头、结构、画面镜头、字幕包装、人声、BGM和创作策略；多视频执行横向对比。用户要求拆解视频、分析爆款视频、比较多个视频、还原钩子与结构、分析视听语言、提炼可复用方法与不可复制因素时使用。 Runs in AICUT: the film is film.html, a page per shot, drawn by `aicut look` and `aicut render`."
-license: MIT
-source: "liuliu-66-create/ll-video-decomposer"
----
-
-# LL Video Decomposer
-
-## Running it in AICUT
-
-AICUT's film is `film.html`: it cuts pages, footage, pictures and sound together on tracks. A page is a web page that
-sets `window.film = { frame(t) }` and draws that moment — no framework, no build step, no composition object, no
-`registerRoot`. Five shots are five pages cut together, not one page that changes scene, so each shot stays trimmable
-and replaceable in Studio.
-
-```sh
-npx -y @autoaiai/aicut@latest          # the manual: the format and the commands, always current
-npx -y @autoaiai/aicut@latest open .   # make this folder a film and print Studio's address
-npx -y @autoaiai/aicut@latest look     # a contact sheet of the whole film, its sound, and a determinism check
-npx -y @autoaiai/aicut@latest look 4.5 # one frame, full size — look at the PNG, not at the code
-npx -y @autoaiai/aicut@latest render   # the MP4, beside film.html
-```
-
-Run the manual before the first film: it is authoritative for the format, and this skill is about the method above it.
-
-Where the words below name another program's part, it becomes this:
-
-| elsewhere | in AICUT |
-|---|---|
-| composition, timeline, project file | `film.html`; tracks and clips inside it |
-| a scene, a sequence, a slide | a page (`pages/<name>.html`) cut onto a track |
-| `useCurrentFrame()`, `interpolate()` | `frame(t)` — the picture depends only on `t`, never on state or `Date.now()` |
-| a still, a screengrab | `aicut look <t>` |
-| `render` / `build` / `export` | `aicut render` (the person can also export from Studio) |
-| a dev server, a preview window | `aicut open` and the Studio address it prints |
-
-Hard rules that hold whatever the method says: the picture depends only on `t`; every value in the person's prompt is
-binding; look at the frames `look` writes before saying a film is done.
-
-
-帮助视频创作者看懂视频为什么有效、如何推进、视听元素承担什么作用，以及哪些方法可以复用。
-
-## 核心原则
-
-- 把完整视频整理成逐字稿、关键帧、音轨和基本信息组成的“视频证据包”，不得只凭逐字稿生成视听结论。
-- 使用用户提供的视频、平台信息和数据；没有的信息标为“未提供”，不要猜测。
-- 区分直接证据、合理推断和无法判断，尤其不要猜歌曲名、流量数据和幕后原因。
-- 区分结构规律与作者身份、粉丝基础、独家资源、热点时效、视觉素材和平台环境。
-- 即使不建议模仿，也完成当前证据支持的全部分析，不为凑结论而硬夸。
-
-## 按需路由
-
-先读取证据规则，再合并执行“输入类型”行与“输入数量”行；证据包完成后才读取报告模板。
-
-| 当前输入或任务 | 必读资料 | 处理路线 |
-| --- | --- | --- |
-| 直接粘贴逐字稿 | [证据规则](references/evidence-and-confidence-rules.md) | 不运行媒体脚本；只分析内容、结构与表达，不分析画面、人声听感或 BGM |
-| 逐字稿文件 | [证据规则](references/evidence-and-confidence-rules.md) | 按需运行 `scripts/clean_transcript.py`；不加载媒体工具或视听指南 |
-| 本地音频 | [证据规则](references/evidence-and-confidence-rules.md)、[工具发现](references/tool-discovery-workflow.md)、[转写路由](references/transcription-routing.md) | 转写后只分析内容、人声、节奏与可确认的 BGM |
-| 本地完整视频 | [证据规则](references/evidence-and-confidence-rules.md)、[工具发现](references/tool-discovery-workflow.md)、[转写路由](references/transcription-routing.md)、[视听指南](references/audiovisual-analysis-guide.md) | 抽帧、提取音频、转写并形成完整证据包 |
-| 视频链接 | [证据规则](references/evidence-and-confidence-rules.md)、[视频获取](references/video-acquisition-workflow.md) | 按固定顺序获取媒体，成功后进入“本地完整视频”路线，失败后固定降级 |
-| 单个输入 | [单视频模板](references/single-video-report-template.md) | 生成五层单视频报告 |
-| 两个及以上输入 | [多视频模板](references/multi-video-comparison-template.md) | 对每条输入使用同一证据尺度后横向比较 |
-
-- 不预先读取全部七份参考资料；只读取路由命中的资料。
-- 脚本可直接执行时，不为执行而把整份脚本读入上下文。
-- 链接输入只比本地完整视频多读取视频获取流程。
-
-## 媒体执行
-
-- 本地媒体先运行 `scripts/discover_tools.py --project <当前项目目录>`，验证并复用已有配置，不能只查 PATH 或当前 Python。
-- 完整视频保留原文件：运行 `scripts/sample_frames.py <视频> <证据目录>` 并实际检查总览图与关键帧；运行 `scripts/extract_audio.py` 生成 16 kHz 单声道 WAV，再运行 `scripts/transcribe_whisper.py <WAV> <TXT> --project <当前项目目录> --model small --mode fast`，中文优先加 `--language zh`。
-- 只有音频时直接转写；没有画面就明确不分析镜头、字幕和视觉包装。
-- 逐字稿文件按需清理时间戳；直接粘贴文本时等价清理，不补写视听结论。
-- 链接按视频获取流程依次尝试直接下载、已播放资源或登录状态、本地视频或逐字稿，不无限重试。
-- 完整排查后仍缺快速后端时，先用 `scripts/setup_transcription.py --project <当前项目目录>` 诊断；说明下载体积、用途与安装命令，取得用户同意后才安装。
-- 保持现有后端优先级、缓存和失败回退；不自动使用 `medium`，不对长音频静默启用原版 Whisper CPU。
-- 证据目录优先使用临时目录；只有用户要求保留时才长期保存。
-
-## 报告与保存
-
-- 单视频用两列表格完成：整体定位、爆款结构、内容价值与表达、视听语言、创作策略。
-- 多视频先按各自输入类型建立证据包，再用同一尺度总结共同模式、核心差异、效果边界和三条可执行启示。
-- 默认在对话中展示主要结论，并保存完整 Markdown 报告。
-- 单个本地视频保存为同目录 `<视频文件名>_report.md`；链接按下载后文件确定；逐字稿文件保存到其目录；直接粘贴文本保存到当前目录。
-- 同目录多文件保存为 `video-comparison-report.md`；来源分散时保存到当前目录。
-- 只有用户明确要求“只在对话中展示”或“不要保存文件”时才不写报告。
-- 默认不展示全部时间戳；只保留支撑结构、镜头或节奏结论的关键时间点；原开头只引用必要的 3–5 句。
-
-## 交付检查
-
-- 报告可读取且五层完整；输入缺失的模态明确标注限制。
-- 完整视频实际检查过关键帧和音轨，视听结论可对应时间点或画面。
-- 转写记录真实后端、设备、模型、耗时和缓存状态，不把检测到显卡误报为显卡已加速。
-- BGM 未确认时不猜歌曲名和艺术家。
-- 报告解释为什么有效、如何复用和模仿风险，不复述逐字稿。
-- 多视频使用同一尺度，不把表面共性包装成爆款法则。
-
-## Source
-
-Rewritten for AICUT from [`liuliu-66-create/ll-video-decomposer`](https://github.com/liuliu-66-create/ll-video-decomposer)
-(MIT), codex/ll-video-decomposer/SKILL.md. The method is that skill's own; the way it runs is AICUT's.
-
-The repository holds 2 skills; this is the one its entry stands for.

package/skills/ll-video-decomposer/references/audiovisual-analysis-guide.md

@@ -1,44 +0,0 @@
-# 视听证据分析
-
-## 完整视频
-
-1. 先取得媒体基本信息，再运行 `scripts/sample_frames.py`。
-2. 先查看总览图，再检查开头 10 秒、明显转场、正文代表帧和结尾关键帧。
-3. 结合逐字稿判断画面是在重复口播、解释概念、提供证据、制造情绪，还是推动叙事。
-4. 只有实际检查过画面和音轨，才填写视听语言层。
-
-## 画面与镜头
-
-检查：
-
-- 横竖屏、清晰度、构图、人物和主体位置
-- 机位、景别、运镜、数字裁切和转场
-- 口播、演示、素材、截图、影视片段和画中画的组合
-- 开头前 3–10 秒如何用画面建立信息差、结果或社会证明
-- 素材切换频率是否与信息密度匹配
-
-不要把抽到的静态帧直接描述成运镜。运镜必须由相邻帧、视频播放或明确的运动证据支持。
-
-## 字幕与视觉包装
-
-检查字体、颜色、描边或底框、位置、行数、关键词强化、数据放大、贴图、标题、进度提示和界面包装。解释每种包装承担的是可读性、重点强调、证据还是情绪功能。
-
-## 人声与旁白
-
-- 能真实读取音频时，分析语速、停顿、重音、音色、情绪变化、口播与画面的同步及混音关系。
-- 只能获得逐字稿或声学统计时，只分析可验证的口播结构、粗略语速和空白密度，不评价“磁性”“温柔”“有感染力”等听感。
-- 区分原声口播、后期配音、采访声、环境声和合成语音；证据不足时不强行分类。
-
-## BGM
-
-先按 `evidence-and-confidence-rules.md` 判断能否识别曲名。无法确认时，重点分析：
-
-- 音乐是否持续存在，何时进入或退出
-- 音量是否压在人声之下
-- 节奏是否推动剪辑
-- 情绪是好奇、紧张、轻松、治愈还是宏大
-- 音乐与视频主题、画面变化和结尾是否匹配
-
-## 多视频
-
-对每条视频使用同样的抽帧密度和判断标准。比较视觉策略时，不只罗列颜色和镜头数量，还要解释不同选择分别服务了什么内容目标。

package/skills/ll-video-decomposer/references/evidence-and-confidence-rules.md

@@ -1,41 +0,0 @@
-# 输入证据与置信度规则
-
-## 能力矩阵
-
-| 输入 | 可以分析 | 不得猜测 |
-|---|---|---|
-| 完整视频 | 内容、画面、镜头、字幕、人声和 BGM | 无法确认的歌名、数据和幕后信息 |
-| 只有音频 | 内容、人声、节奏和 BGM | 画面、镜头、字幕和视觉包装 |
-| 只有逐字稿 | 选题、结构、表达、金句和内容价值 | 画面、人声听感、BGM和精确剪辑节奏 |
-| 视频链接 | 下载成功后按完整视频处理 | 下载失败且没有媒体时的视听结论 |
-
-把完整视频整理为“视频证据包”，至少包含：
-
-- 原始视频和媒体基本信息
-- 逐字稿
-- 开头、正文、结尾和明显转场处的关键帧
-- 关键帧时间点与来源类型
-- 可获得的音轨信息
-- 用户提供的平台、作者和表现数据
-
-## 结论等级
-
-- **已确认**：画面、逐字稿、音轨、平台元数据或用户材料直接支持。
-- **合理推断**：多个证据共同支持，但原视频没有直接说明；使用“可能”“更像”等表达。
-- **无法判断**：当前输入不覆盖该信息，明确缺少什么，不用相邻字段补写。
-
-不必给每句话机械加标签；只在歌曲、身份、效果原因、数据和幕后信息等容易误判的位置标明置信度。
-
-## BGM 规则
-
-1. 只有平台元数据、可靠识曲结果或其他直接证据支持时，才能写歌曲名和艺术家。
-2. 无法确认曲名但能读取音轨时，描述风格、情绪、节奏、主要声音、进入位置和承担的作用，并给出 3–5 个素材库搜索词。
-3. 无法真实读取音轨时，写“当前输入无法判断 BGM”，不得根据视频主题猜测“科技感”“治愈感”等音乐风格。
-4. 人声和音乐无法分离时，说明限制，不把混合音轨的声学特征冒充为具体乐器。
-
-## 其他纪律
-
-- 数据缺失时，不猜测播放量、互动率和爆款概率。
-- 视听结论尽量带时间点或对应画面，确保可以回看验证。
-- 不因为“不建议模仿”而停止报告；除非媒体无法读取，否则完成全部可分析维度。
-- 延伸选题从受众问题和选题公式推导，不作未经验证的效果承诺。

package/skills/ll-video-decomposer/references/multi-video-comparison-template.md

@@ -1,48 +0,0 @@
-# 多视频横向对比报告
-
-## 路由
-
-- 2–4 条视频：使用多列表格，第一列为“分析维度”，后续每列对应一条视频。
-- 5 条及以上：先输出每条视频的精简五层卡片，再输出统一比较矩阵；不要生成无法阅读的超宽表格。
-- 每条视频使用相同的证据标准。某条视频缺少画面、音频或数据时，只在该视频列标明限制。
-
-## 2–4 条视频表格
-
-| 分析维度 | 视频 1 | 视频 2 | 视频 3（如有） | 视频 4（如有） |
-| :--- | :--- | :--- | :--- | :--- |
-| 证据覆盖与基本信息 | | | | |
-| **一、整体定位** | | | | |
-| 核心主题 | | | | |
-| 目标受众 | | | | |
-| 内容标签 | | | | |
-| 观众问题与痛点 | | | | |
-| **二、爆款结构** | | | | |
-| 黄金 3 秒 | | | | |
-| 内容主体 | | | | |
-| 结尾价值交付 | | | | |
-| 整体推进逻辑 | | | | |
-| **三、内容价值与表达** | | | | |
-| 知识／信息点 | | | | |
-| 情绪／情感点 | | | | |
-| 金句／高光时刻 | | | | |
-| 表达、人设与节奏 | | | | |
-| **四、视听语言** | | | | |
-| 画面与镜头 | | | | |
-| 字幕与视觉包装 | | | | |
-| 人声与旁白 | | | | |
-| 背景音乐 | | | | |
-| **五、可借鉴的创作策略** | | | | |
-| 可复用框架 | | | | |
-| 具体技巧 | | | | |
-| 不可复制因素与风险 | | | | |
-
-## 六、跨视频对比总结
-
-必须回答：
-
-1. 共同模式：这些视频在开头、叙事节奏、证据使用、视听组织和结尾价值交付上有什么共性？
-2. 核心差异：内容切入点、画面风格、人设表现和情绪路线有什么关键差异？
-3. 效果边界：哪些表现可能来自作者身份、粉丝、热点、平台或素材，而不是结构本身？
-4. 终极启示：综合所有视频，提炼 3 条有证据支撑、可以实际执行的创作规律。
-
-不要把多个视频都拥有的表面元素直接称为“爆款法则”；先解释它们为什么可能有效。

package/skills/ll-video-decomposer/references/single-video-report-template.md

@@ -1,47 +0,0 @@
-# 单视频五层深度拆解报告
-
-## 输出要求
-
-- 直接输出两列 Markdown 表格，列名为“分析维度”和“详细拆解与洞察”。
-- 保持下面的层级和字段完整；证据不足时写明“当前输入无法判断”和缺少的证据，不要猜测。
-- 结论必须解释为什么有效、承担什么作用以及如何复用，不能只复述画面或逐字稿。
-- 即使视频不值得模仿，也完成报告，并在创作策略中说明不建议模仿的原因。
-
-| 分析维度 | 详细拆解与洞察 |
-| :--- | :--- |
-| **0. 证据与基本信息** | |
-| 输入与证据覆盖 | 输入形式、可分析的内容、缺失的证据 |
-| 基本信息 | 主题、平台、作者、数据、时长；未提供的信息标明“未提供” |
-| 一句话总结 | 视频讲了什么，以及它真正交付的核心价值 |
-| **一、整体定位** | |
-| 核心主题 | |
-| 目标受众 | |
-| 内容标签 | |
-| 观众问题与痛点 | |
-| 是否值得分析 | 值得分析 / 可以轻拆 / 不建议模仿；说明理由、最主要可学点和风险 |
-| **二、爆款结构** | |
-| 黄金 3 秒（Hook） | 引用必要的 3–5 句或描述实际画面；说明钩子类型、公式和有效原因 |
-| 内容主体（Body） | 按内容转折拆成 3–6 段，写明时间、内容、作用、占比和转场 |
-| 结尾价值交付（Payoff） | 说明结尾交付了什么、是否兑现开头，以及行动号召是否有效 |
-| 整体推进逻辑 | 用一条箭头链路概括，并指出最值得借鉴的结构设计 |
-| **三、内容价值与表达** | |
-| 知识／信息点 | |
-| 情绪／情感点 | 情绪如何变化，哪些位置承担共鸣、惊讶、焦虑、希望或认同 |
-| 金句／高光时刻 | 宁缺毋滥，不把普通解释句包装成金句 |
-| 表达技巧 | |
-| 人设与信任动作 | |
-| 节奏特点 | 结合口播、停顿、信息密度和素材切换判断 |
-| **四、视听语言** | |
-| 画面风格与镜头 | 构图、景别、机位、运镜、转场、素材组织及其作用 |
-| 字幕与视觉包装 | 字体、颜色、位置、重点强化、贴图、界面、数据和画中画 |
-| 人声与旁白 | 语速、停顿、重音、情绪、音色与混音；只能写当前证据能支持的部分 |
-| 背景音乐（BGM） | 按证据等级写歌名或风格、情绪、主要声音、作用和搜索词 |
-| 视听协同 | 画面、字幕、声音和文案如何共同完成证明、解释或情绪推动 |
-| **五、创作策略** | |
-| 可直接套用的框架／公式 | |
-| 3 个最值得学习的技巧 | 必须具体到可以执行 |
-| 可以借鉴的部分 | |
-| 不能直接复制的因素 | 检查身份、粉丝、独家资源、热点、素材、平台和人设信任 |
-| 模仿风险 | |
-| 改进与差异化 | 明确如果重做同类选题，可以删什么、加什么、提前什么、换什么 |
-| 延伸选题 | 从原视频的受众问题和选题公式自然推导，不承诺未经验证的效果 |

package/skills/ll-video-decomposer/references/tool-discovery-workflow.md

@@ -1,30 +0,0 @@
-# 本地工具发现与缓存
-
-在提示用户安装之前，严格按以下顺序检查：
-
-1. 读取当前项目或父目录中的 `.video-decomposer-tools.json`。
-2. 检查系统 PATH 中的 `ffmpeg`、`ffprobe`、`whisper`、`yt-dlp`、`whisper-cli`。
-3. 检查 Windows 常见位置：Python `Scripts`、用户 `tools`、`C:\tools`、FFmpeg、Program Files、conda 和 miniconda。
-4. 检查项目独立环境和多个 Python 环境能否 `import faster_whisper` 或 `import whisper`；不能只检查当前 Python。
-5. 检查 FFmpeg 是否具备 Whisper 滤镜，并确认是否存在可用的 `ggml-*.bin` 模型。
-6. 检查操作系统、CPU、内存、NVIDIA 显卡、Apple Silicon 和可识别的 AMD 显卡。
-7. 只在用户目录、当前项目和常见工具目录进行有限扫描，不扫描整个磁盘。
-8. 把成功发现的路径、后端能力、硬件和模型清单写入 `.video-decomposer-tools.json`，以后优先复用。
-
-如果配置中的工具路径存在，但当前受限环境返回“拒绝访问”，应把它判断为“工具已发现，但执行需要权限”，不能重新表述为“没有安装”。取得必要权限后直接复用配置路径，不要重新扫描。
-
-运行：
-
-```text
-python scripts/discover_tools.py --project <当前项目目录>
-```
-
-安装或切换环境后运行 `--refresh`，重新探测 Python 后端：
-
-```text
-python scripts/discover_tools.py --project <当前项目目录> --refresh
-```
-
-不要只因为 `Get-Command whisper` 没有结果就说“没有 Whisper”。应说明当前检查进度，并继续完成剩余层级。
-
-发现硬件不等于后端已经可用。NVIDIA 显卡必须通过实际 CUDA 探针；缺少 `cublas`、`cuDNN` 或驱动不兼容时，记录失败并改用 CPU INT8。完整路由和安装边界见 [transcription-routing.md](transcription-routing.md)。

package/skills/ll-video-decomposer/references/transcription-routing.md

@@ -1,65 +0,0 @@
-# 自适应转写路由
-
-## 目标
-
-针对当前电脑选择已经可用的最快后端，同时控制首次安装成本。不得因为发现了模型就默认运行缓慢的原版 Whisper CPU。
-
-## 默认调用
-
-```text
-python scripts/transcribe_whisper.py <音频 WAV> <逐字稿 TXT> --project <当前项目目录> --language zh --model small --mode fast
-```
-
-默认使用 `small + fast`。`medium`、`turbo` 或 `accurate` 只在用户明确要求高精度，或者快速模式结果不足时使用。
-
-## 自动优先级
-
-1. NVIDIA 且 CUDA 后端通过验证：`faster-whisper` GPU `int8_float16`。
-2. OpenAI Whisper 已能实际调用 CUDA：GPU FP16。
-3. Apple Silicon 或 AMD 且已有匹配模型的 whisper.cpp：Metal、Vulkan 或 ROCm 路线。
-4. `faster-whisper` CPU INT8。
-5. 已有匹配模型的 whisper.cpp CPU。
-6. 原版 Whisper CPU：只处理 60 秒以内音频，或用户明确允许 `--allow-slow` 时使用。
-
-脚本会记录缺少 CUDA 运行库等确定性失败。后续视频自动跳过已失败后端；安装环境发生变化后传入 `--retry-failed-backends` 重新验证。
-
-## 首次准备
-
-先运行诊断：
-
-```text
-python scripts/setup_transcription.py --project <当前项目目录>
-```
-
-没有快速后端时，说明将创建独立环境、下载依赖和模型，并取得用户同意后运行：
-
-```text
-python scripts/setup_transcription.py --project <当前项目目录> --install --model small
-```
-
-该命令创建项目内的 `.video-decomposer-venv`，安装 `faster-whisper`，预下载模型，并实际验证 CPU INT8。不要安装到用户的系统 Python。
-
-只有用户明确接受数 GB 的一次性下载，并且 NVIDIA 显卡与驱动适合时，才运行：
-
-```text
-python scripts/setup_transcription.py --project <当前项目目录> --install --prefer-gpu --model small
-```
-
-GPU 安装失败时保留已经可用的 CPU INT8，不循环重装大型依赖。
-
-## 缓存和超时
-
-- 转写缓存位于 `<项目>/.video-decomposer-cache/transcripts`，按音频内容、模型、语言和模式区分。
-- 同一音频再次拆解时直接复用文本和分段时间，不重复推理。
-- 默认每个后端最多运行 240 秒；超时或失败后尝试下一条已准备路线。
-- 第一次下载模型应通过安装脚本完成，不要把模型下载时间混入日常转写超时。
-- 缓存只保存转写证据，不改变最终报告保存规则。
-
-## 配置边界
-
-- 无独立显卡：使用 CPU INT8，不阻断完整视频拆解。
-- NVIDIA：只有实际转写探针成功才标记 GPU 可用，不能只凭 `nvidia-smi` 下结论。
-- Apple Silicon：优先使用已有 Metal 版 whisper.cpp；没有时使用 CPU INT8。
-- AMD：优先使用已经准备好的 Vulkan 或 ROCm 版 whisper.cpp；没有时使用 CPU INT8。
-- 只有逐字稿：跳过全部媒体转写依赖。
-- 所有本地后端都不可用：说明缺少什么，取得同意后安装；用户不愿安装时改为接收逐字稿，不无限等待。

package/skills/ll-video-decomposer/references/video-acquisition-workflow.md

@@ -1,30 +0,0 @@
-# 视频链接获取工作流
-
-## 固定顺序
-
-1. 识别平台与链接类型。
-2. 检查 `yt-dlp`，用 `scripts/download_video.py URL OUTPUT_DIR` 直接下载。
-3. 直接下载失败后，根据平台引导用户在 Chrome 中登录、打开目标视频并完整播放，或至少播放几秒到几十秒。
-4. 如果当前环境能识别已加载的媒体资源或浏览器缓存，先尝试取得本地媒体。不要承诺缓存一定可用。
-5. 浏览器支持页面资源清单时，先列出已观察到的视频资源并尝试导出。若导出失败但已返回带签名的真实媒体 URL，可立即使用该 URL 下载，附带正常浏览器 User-Agent 和来源页 Referer；签名 URL 可能过期，不长期缓存 URL。
-6. 如果需要让下载工具读取 Chrome cookie，先让用户完全退出 Chrome，包括后台进程，再运行 `scripts/download_video.py URL OUTPUT_DIR --chrome-cookies`。
-7. 仍然失败时，停止重复尝试链接，请用户下载并提供本地 `.mp4`。
-
-## 稳定性与平台策略
-
-- 本地 MP4 最稳定，应作为最终兜底。
-- 小红书先直接下载；失败后再走播放、缓存或登录状态流程。
-- 抖音标准链接优先让用户登录 Chrome 并播放一段；只给链接的失败率较高。
-- 其他平台先直接下载，再依次尝试已播放资源、登录状态和本地 MP4。
-
-## 两个 Chrome 分支
-
-- “当前浏览器或缓存”分支：播放后在环境能力覆盖时尝试，不要求为了读取 cookie 而提前退出 Chrome。
-- “cookie 文件”分支：只有下载工具要读取 Chrome 登录状态时才完全退出 Chrome，否则 cookie 文件可能被占用。
-
-## 失败沟通
-
-- 说明失败发生在直接下载、缓存、还是登录状态读取。
-- 不要求用户反复更换同一视频的不同链接。
-- 用户说“我已经在 Chrome 播放过了，再从缓存试一次”时，直接进入已播放资源分支。
-- 缓存和登录状态都不可用时，只给一个明确下一步：提供本地视频或逐字稿。

package/skills/ltx2-video/SKILL.md

@@ -1,193 +0,0 @@
----
-name: ltx2-video
-description: "ltx2-video — photo → video via self-hosted LTX-2.3: the method the original skill taught, run as an AICUT film — pages that draw any moment t, cut on tracks. Runs in AICUT: the film is film.html, a page per shot, drawn by `aicut look` and `aicut render`."
-license: MIT
-source: "patraxo/ltx2-vidgen-skill"
----
-
-# ltx2-video — photo → video via self-hosted LTX-2.3
-
-## Running it in AICUT
-
-AICUT's film is `film.html`: it cuts pages, footage, pictures and sound together on tracks. A page is a web page that
-sets `window.film = { frame(t) }` and draws that moment — no framework, no build step, no composition object, no
-`registerRoot`. Five shots are five pages cut together, not one page that changes scene, so each shot stays trimmable
-and replaceable in Studio.
-
-```sh
-npx -y @autoaiai/aicut@latest          # the manual: the format and the commands, always current
-npx -y @autoaiai/aicut@latest open .   # make this folder a film and print Studio's address
-npx -y @autoaiai/aicut@latest look     # a contact sheet of the whole film, its sound, and a determinism check
-npx -y @autoaiai/aicut@latest look 4.5 # one frame, full size — look at the PNG, not at the code
-npx -y @autoaiai/aicut@latest render   # the MP4, beside film.html
-```
-
-Run the manual before the first film: it is authoritative for the format, and this skill is about the method above it.
-
-Where the words below name another program's part, it becomes this:
-
-| elsewhere | in AICUT |
-|---|---|
-| composition, timeline, project file | `film.html`; tracks and clips inside it |
-| a scene, a sequence, a slide | a page (`pages/<name>.html`) cut onto a track |
-| `useCurrentFrame()`, `interpolate()` | `frame(t)` — the picture depends only on `t`, never on state or `Date.now()` |
-| a still, a screengrab | `aicut look <t>` |
-| `render` / `build` / `export` | `aicut render` (the person can also export from Studio) |
-| a dev server, a preview window | `aicut open` and the Studio address it prints |
-
-Hard rules that hold whatever the method says: the picture depends only on `t`; every value in the person's prompt is
-binding; look at the frames `look` writes before saying a film is done.
-
-
-Turns a local image (or two, or a video) into an `.mp4` by calling the user's
-**deployed** `ltx2-fast-inference` Modal app (LTX-2.3, 22B). Five modes:
-
-| Mode | Input | What it does |
-|---|---|---|
-| `i2v` (default) | 1 image + prompt | animates the photo into a clip |
-| `keyframe` | 2 images + prompt | interpolates A → B |
-| `v2v` | 1 video + prompt | regenerates a time window (retake) |
-| `t2v` | prompt only | text-to-video, no image |
-| `control` | control render (+ optional init image) + prompt | IC-LoRA structural control — `union` follows a canny/depth/pose render. Canny auto-derives from a source video via ffmpeg; depth/pose need a pre-rendered control video. |
-
-The work is done by `scripts/submit_video.py`, which calls the deployed app's
-methods remotely via `modal.Cls.from_name` (no repo path needed).
-
-## Workflow
-
-1. **Resolve + validate the image.** Get the absolute path and confirm it's an image:
-   ```bash
-realpath "<user-path>"            # normalize ~, relative, drag-dropped paths
-   file "<abs-path>"                 # must contain JPEG / PNG / image data
-```
-```
-If not found or not an image, report and stop.
-2. **Confirm before running** (it costs GPU time). Use **AskUserQuestion**:
-   - header: `LTX-2.3`
-   - question: `Generate video from <name>? Cold start ~90–200s. Warm: short/low-res ~7–9s, but full 10s 720p ~1–2 min (v2v ~8 min). A few cents either way.`
-   - options:
-     - `Quick smoke (cheap)` — low-res sanity check, confirms the container is warm
-     - `Full quality` — 97 frames @ 768×1280 (vertical reel)
-     - `Cancel`
-3. **Run** the script (set `--timeout 300` on the Bash call — the first run cold-starts):
-```
-```bash
-# i2v (full)
-   uv run --with modal python3 ${CLAUDE_SKILL_DIR}/scripts/submit_video.py \
-     --mode i2v --image "<abs>" --prompt "<prompt>" --frames 97 --height 1280 --width 768
-
-   # quick smoke (cheap warm-check)
-   uv run --with modal python3 ${CLAUDE_SKILL_DIR}/scripts/submit_video.py \
-     --mode i2v --image "<abs>" --prompt "<prompt>" --frames 17 --height 320 --width 512 --steps 8
-
-   # keyframe (two images)
-   uv run --with modal python3 ${CLAUDE_SKILL_DIR}/scripts/submit_video.py \
-     --mode keyframe --image "<absA>" --image "<absB>" --prompt "<prompt>"
-
-   # video-to-video retake
-   uv run --with modal python3 ${CLAUDE_SKILL_DIR}/scripts/submit_video.py \
-     --mode v2v --video "<abs.mp4>" --prompt "<prompt>" --start 2 --end 5
-
-   # text-to-video
-   python3 ${CLAUDE_SKILL_DIR}/scripts/submit_video.py --mode t2v --prompt "<prompt>"
-
-   # control (IC-LoRA union): auto-derive a CANNY edge render from a source video and follow it
-   uv run --with modal python3 ${CLAUDE_SKILL_DIR}/scripts/submit_video.py \
-     --mode control --video "<abs.mp4>" --control-type canny --prompt "<prompt>" [--image "<init.jpg>"]
-
-   # control with a PRE-RENDERED control video (depth map / openpose / canny you already have)
-   uv run --with modal python3 ${CLAUDE_SKILL_DIR}/scripts/submit_video.py \
-     --mode control --control-video "<abs_control.mp4>" --prompt "<prompt>" [--image "<init.jpg>"]
-```
-```
-Immediately tell the user "waiting for container cold start (~90s)…" so it doesn't look hung.
-   Output lands in `./video_out/` by default — override with `--out-dir <dir>`. (The flag is
-   `--out-dir <directory>`, NOT `--out`.)
-4. **Report.** The script prints `SAVED <path>` and `PREVIEW <png>`. **Read** the
-   PREVIEW png so the user sees a still inline, then report the saved mp4 path +
-   latency. Offer follow-ups (longer clip via `--frames`, keyframe, v2v restyle).
-```
-
-## Prompting
-
-Subject + action first, then lighting/camera, photorealistic detail; keep it tight.
-Frame counts must be `8k+1` (17, 49, 97, 121, 217, 241). bf16, no quantization.
-
-**Resolution presets (`--format`)** — render native to the target platform, don't
-crop. Default is `reel`.
-
-| `--format` | Aspect | W×H | Use for |
-|---|---|---|---|
-| `reel` / `tiktok` / `shorts` / `vertical` *(default)* | 9:16 | 768×1280 | IG Reels, TikTok, YT Shorts |
-| `youtube` / `landscape` / `wide` | 16:9 | 1280×704 | YouTube, landscape embed |
-| `square` / `post` | 1:1 | 1024×1024 | IG/FB feed post |
-
-`--width/--height` override the preset (must be divisible by 32).
-
-**Image-grounded prompting (i2v) — do this for quality.** Don't make the user
-describe their own photo. First **Read the image** and silently form a one-line
-description (subject + setting + lighting), then build the prompt as
-`<image description> , <motion> , <camera>`. Keep the description faithful so
-identity/scene is preserved; only the motion + camera are new. A prompt that
-contradicts the photo (e.g. "golden hour" on a flat-lit indoor face) fights the
-model. Default motion = "subtle idle" if the user gives none.
-
-**Keyframe coherence — the #1 keyframe rule.** Interpolation is only coherent when
-A and B are the **same subject/scene** (same person, slightly different
-pose/expression/camera). Unrelated A/B → a morph/dissolve (identity melt), not a
-clean motion. If the user has only A, offer to make B by **editing A** (same
-subject, one change) for a coherent pair; first/last frames of one clip are also
-coherent by construction; A==B → a smooth loop. If A and B look unrelated, **warn**
-before running (see references/mode_ux.md §3.3-B) and offer to make B a variant of A.
-
-**Named motion presets, the per-mode interaction contracts, the decision tree,
-the clarifying AskUserQuestion prompts, and per-mode latency** live in
-`references/mode_ux.md` — read it when choosing a mode or expanding a motion prompt.
-
-## Audio & batching
-
-- **Audio is ON by default.** LTX-2.3 generates **synced audio** with the video. So
-  put the *sound* in your prompt too — ambience, foley, a music mood (e.g. "rain
-  patter and distant thunder", "soft lo-fi pad", "crowd murmur"). The model scores
-  the audio from the same prompt.
-- **Silent clip:** add `--skip-audio`. The **video pixels are byte-identical** with
-  or without audio — skipping only drops the audio decode (slightly faster, smaller
-  file). Use it for B-roll you'll score later, or when audio isn't wanted.
-- **Batching — two kinds, both in one warm container (only the first take cold-starts):**
-  - **Multiple passes of the same prompt** — `--variations N` runs N takes with seeds
-    `seed..seed+N-1`. This is the "run a prompt 20 ways, keep the 1 good one" loop —
-    fail-free iteration. Files: `<ts>_<mode>_s<seed>.mp4`. Pair with `--seed` to set
-    the base / reproduce a take.
-  - **Multiple different prompts** — `--prompts-file prompts.txt` (one prompt per line;
-    i2v / t2v / keyframe). Files: `<ts>_<mode>_pNN.mp4`. For i2v/keyframe pass the
-    `--image`(s) once — they apply to every prompt.
-  - **They compose:** N prompts × M variations = N×M clips in one warm run. Cost scales
-    with clip count; each clip is still a few cents. Suggest a cheap-smoke pass
-    (`--frames 17 --height 320 --width 512 --steps 8 --variations 8`) to scan directions
-    before committing to full-res takes.
-  ```bash
-# 8 takes of one prompt to find a keeper
-  uv run --with modal python3 ${CLAUDE_SKILL_DIR}/scripts/submit_video.py \
-    --mode i2v --image "<abs>" --prompt "<prompt>" --variations 8
-```
-
-## Guardrails
-
-- Always confirm via AskUserQuestion before a full run (GPU cost). Offer the cheap smoke first.
-- First call after idle cold-starts (~90–200s). Warm latency is resolution-dependent: short/low-res ~7–9s, but full-res 10s clips ~95–120s (v2v ~470s) — at 768×1280 only one stage transformer fits resident, so stages rebuild per call. Use `--timeout 600` for full-res/v2v.
-- Do NOT route through fal-mcp. For Hail Films / @patrawtf canon reels, use the `hail-films-reel` skill instead.
-
-## Troubleshooting
-
-| Symptom | Fix |
-|---|---|
-| `modal not installed` | `pip install modal && modal token new` |
-| `from_name` can't find app | deploy the backend: `./deploy.sh` in the ltx2-fast-inference repo |
-| no mp4 / `no video returned` | check `modal app logs ltx2-fast-inference` |
-| `CUDA out of memory` | should not happen on mode-switching anymore — the backend evicts resident transformers automatically (activation-aware cap) so each forward fits. If it ever appears, just retry once; the backend also has OOM-recovery. |
-| looks hung | normal cold start — wait up to ~120s |
-
-## Source
-
-Rewritten for AICUT from [`patraxo/ltx2-vidgen-skill`](https://github.com/patraxo/ltx2-vidgen-skill)
-(MIT), skills/ltx2-video/SKILL.md. The method is that skill's own; the way it runs is AICUT's.