@optima-chat/gen-cli 2.3.0 → 2.5.0

package/.claude/skills/video-compose/scripts/video_compose.py

@@ -0,0 +1,290 @@
+#!/usr/bin/env python3
+"""video-compose — 素材片段 + 口播文案 → 成片（情感配音/选片/字幕/BGM 全自动）
+
+容器版：TTS 走 `gen tts --provider minimax`（key + 计费在后端 optima-generation），
+不直连 MiniMax、不在容器放密钥。依赖：python3 + ffmpeg + `gen` CLI（容器自带）。
+
+两个命令，中间由 Claude 看帧写 proposal.json：
+  python3 $CLAUDE_SKILL_DIR/scripts/video_compose.py frames <proj>
+  # -> Claude Read 每帧，按 script.txt 写 <proj>/work/proposal.json
+  python3 $CLAUDE_SKILL_DIR/scripts/video_compose.py build  <proj>
+
+工程目录：
+  <proj>/inputs/clips/*.mp4   素材（任意命名，按文件名排序得 clip id）
+  <proj>/inputs/script.txt    口播稿，每行一句 = 一个 segment
+  <proj>/inputs/bgm/          (可选) 用户上传的 BGM
+  <proj>/work/                中间产物
+  <proj>/final.mp4            成片
+"""
+import json, subprocess, sys, os, random, shutil, hashlib
+from pathlib import Path
+
+# 脚本日志含大量中文：统一 stdout/stderr 为 UTF-8，避免非 UTF-8 locale 下一行 print
+# 抛 UnicodeEncodeError 连带杀掉整个 build（容器默认 UTF-8，此处是兜底）。
+try:
+    sys.stdout.reconfigure(encoding="utf-8"); sys.stderr.reconfigure(encoding="utf-8")
+except Exception:
+    pass
+
+W, H, FPS, CRF = 1080, 1920, 30, 20
+# 字幕字体：容器需有 CJK 字体；可用 env 覆盖。fc-match 验证见 SKILL §坑。
+SUB_FONT = os.environ.get("VIDEO_COMPOSE_FONT", "Noto Sans CJK SC")
+# 情绪 BGM 库 + 音色样音：随 @optima-chat/gen-cli npm 包一起发布（plugin 的
+# ensure-cli.sh 在 SessionStart 装它），不再放 skill 目录里——否则 5.3MB BGM 会把
+# plugin 的 thin tar 撑过上限（见 optima-gen #<this PR>）。解析顺序：
+#   1. VIDEO_COMPOSE_ASSETS 显式覆盖
+#   2. 已安装的 gen-cli 包内 assets/video-compose/
+#   3. skill 目录（optima-agent baked 老布局 / 本地开发的兜底）
+def _asset_root() -> Path:
+    # 资产（bgm-library/voice-samples）随 @optima-chat/gen-cli 发布在 <gen-cli>/assets/video-compose。
+    # gen-cli 在 prod 里可能：(a) 被 baked 进 optima-agent（PATH 上的 `gen` 是个薄 wrapper
+    # `…/optima-agent/dist/bin/gen.js`，嵌套的 gen-cli 在 …/optima-agent/node_modules/@optima-chat/gen-cli），
+    # (b) 由 plugin ensure-cli 装进 $CLAUDE_PLUGIN_DATA，(c) 直接是 gen-cli 自己的 bin。
+    # 因 wrapper 深度不定，从 `gen` 的真实路径**逐层往上**找，每层试 <anc>/assets/video-compose
+    # 和 <anc>/node_modules/@optima-chat/gen-cli/assets/video-compose，谁存在用谁。
+    REL = Path("assets") / "video-compose"
+    NESTED = Path("node_modules") / "@optima-chat" / "gen-cli" / REL
+
+    env = os.environ.get("VIDEO_COMPOSE_ASSETS")
+    if env and Path(env).exists():
+        return Path(env)
+
+    cpd = os.environ.get("CLAUDE_PLUGIN_DATA")
+    if cpd:
+        c = Path(cpd) / NESTED
+        if c.exists():
+            return c
+
+    gen = shutil.which("gen")
+    if gen:
+        p = Path(os.path.realpath(gen))
+        for anc in [p] + list(p.parents):
+            for c in (anc / REL, anc / NESTED):
+                if c.exists():
+                    return c
+
+    # 兜底：skill 目录（optima-agent baked 老布局 / 本地开发；可能没有资产，_resolve_bgm 会优雅跳过）
+    return Path(os.environ.get("CLAUDE_SKILL_DIR", Path(__file__).resolve().parent.parent))
+
+ASSET_ROOT = _asset_root()
+BGM_LIBRARY = ASSET_ROOT / "bgm-library"
+_AUDIO_EXT = (".mp3", ".wav", ".m4a", ".aac", ".flac", ".ogg")
+DEFAULT_VOICE = "Chinese (Mandarin)_Warm_Girl"
+# 默认明快语速：本工具是抖音/TikTok/小红书短视频出片，语速要快才像平台口播。
+# 1.35 ≈ TikTok 口播那种节奏（实测+用户拍板）。单句想放慢（治愈/抒情）在 proposal
+# 那句写更低的 speed 覆盖即可。
+DEFAULT_SPEED = 1.35
+
+def run(cmd):
+    r = subprocess.run([str(c) for c in cmd], capture_output=True, text=True)
+    if r.returncode != 0:
+        print("CMD FAIL:", " ".join(str(c) for c in cmd)); print(r.stderr[-2000:]); sys.exit(1)
+    return r
+
+def probe_dur(path):
+    return float(run(["ffprobe","-v","error","-show_entries","format=duration","-of","csv=p=0",path]).stdout.strip())
+
+def list_clips(proj):
+    return sorted((proj/"inputs"/"clips").glob("*.mp4"), key=lambda p: p.name)
+
+def read_segments(proj):
+    txt=(proj/"inputs"/"script.txt").read_text(encoding="utf-8")
+    return [ln.strip() for ln in txt.splitlines() if ln.strip()]
+
+# ---------- frames：抽帧给 Claude 看 ----------
+def cmd_frames(proj):
+    """每个素材自适应抽 3~6 帧（约每 5s 一帧），manifest 记录每帧的**时间戳 t（秒）**。
+    Claude 看帧后在 proposal 每句写 `src_start`= 选中那个子镜头帧的 t；同一素材被多句复用时
+    选**不同的 t**，build 据此精确切不同子镜头，避免重复镜头（见 build 的 _resolve_windows）。"""
+    fdir=proj/"work"/"frames"; fdir.mkdir(parents=True, exist_ok=True)
+    clips=list_clips(proj)
+    manifest={"clips":[], "segments":read_segments(proj)}
+    for p in clips:
+        cid=p.stem; dur=probe_dur(p); frames=[]
+        n=max(3, min(6, int(dur//5)+1))  # 自适应帧数：短片 3 帧，长片至多 6 帧
+        for j in range(n):
+            t=dur*(j+0.5)/n               # 每帧落在等分泳道中心，代表一个子镜头
+            tag=chr(ord('a')+j)
+            out=fdir/f"{cid}_{tag}.jpg"
+            run(["ffmpeg","-v","error","-ss",f"{t:.2f}","-i",p,"-frames:v","1","-q:v","3",out,"-y"])
+            frames.append({"tag":tag,"t":round(t,2),"path":str(out)})
+        manifest["clips"].append({"id":cid,"duration_s":round(dur,2),"frames":frames})
+    (proj/"work"/"clips_manifest.json").write_text(json.dumps(manifest,ensure_ascii=False,indent=2),encoding="utf-8")
+    nframes=sum(len(c["frames"]) for c in manifest["clips"])
+    print(f"[frames] {len(clips)} clips / {nframes} 帧（含时间戳 t）-> {fdir}")
+    print(f"[frames] segments: {len(manifest['segments'])} 句；下一步 Claude 看帧写 proposal.json")
+    print(f"[frames] 提示：每句 assignment 写 src_start=选中帧的 t；同素材复用请选不同 t（防重复镜头）")
+
+# ---------- TTS：gen tts --provider minimax（key/计费在后端）----------
+def gen_tts(text, voice, emotion, speed, out):
+    cmd=["gen","tts",text,"--provider","minimax","--voice",voice,"-o",str(out)]
+    if emotion: cmd+=["--emotion",emotion]
+    if speed is not None: cmd+=["--speed",str(speed)]
+    r=subprocess.run(cmd, capture_output=True, text=True)
+    if r.returncode!=0 or not Path(out).exists():
+        print("TTS FAIL:", " ".join(cmd)); print((r.stderr or r.stdout)[-1500:]); sys.exit(1)
+
+def _ass_time(t):
+    h=int(t//3600); m=int((t%3600)//60); s=t%60
+    return f"{h:d}:{m:02d}:{s:05.2f}"
+
+def _preflight_font():
+    """字体预检（fail-loud）：容器若无对应 CJK 字体，subtitles filter 会把中文渲染成豆腐块
+    且 ffmpeg 不报错（静默翻车）。这里用 fc-match 提前拦截。本地无 fc-match(如 Windows)则跳过。
+    放在 TTS 之前，未命中直接退出，不浪费配音扣费。"""
+    if not shutil.which("fc-match"):
+        return  # 非 fontconfig 环境（如本地 Windows），跳过；容器有 fc-match
+    try:
+        # 显式 utf-8 + errors=replace：避免非 utf-8 locale(如 Windows gbk) 解码 fc-match 输出崩溃
+        r=subprocess.run(["fc-match","-f","%{family}",SUB_FONT],
+                         capture_output=True,encoding="utf-8",errors="replace",timeout=10)
+    except Exception:
+        return  # 检查器自身跑不了 → 不阻塞（best-effort 预检）
+    got=(r.stdout or "").strip()
+    if r.returncode!=0 or not got:
+        return  # 拿不到结果 → 不阻塞
+    norm=lambda s: s.lower().replace(" ","")
+    # fontconfig 命中已装字体时 family 原样返回；未装则回退(如 DejaVu)→ 与请求名不符 → 硬失败
+    if norm(SUB_FONT) not in norm(got):
+        print(f"ERR 字幕字体 '{SUB_FONT}' 未命中（fc-match 回退到 '{got}'）——中文字幕会渲染成豆腐块。")
+        print(f"    解决其一：容器装该 CJK 字体 / 设 VIDEO_COMPOSE_FONT 指向已装 CJK 字体（fc-match 报告的）/ 在 skill bundle 字体。")
+        sys.exit(1)
+
+def _audio_in(d):
+    d=Path(d)
+    return sorted([p for p in d.iterdir() if p.suffix.lower() in _AUDIO_EXT]) if d.is_dir() else []
+
+def _resolve_bgm(proj, prop):
+    """BGM 不锁死：proposal.bgm 路径 > inputs/bgm/ 上传 > bgm_mood 情绪库(确定性挑) > 无。
+    情绪库选曲按 proposal 内容做确定性 seed —— 同一项目重跑选同一首(稳定)，不同项目才变化。"""
+    if prop.get("bgm"): return prop["bgm"]
+    up=_audio_in(proj/"inputs"/"bgm")
+    if up: return str(up[0])
+    mood=prop.get("bgm_mood")
+    if mood:
+        lib=_audio_in(BGM_LIBRARY/mood)
+        if lib:
+            sig=mood+"|"+"|".join(a.get("text","") for a in prop.get("assignments",[]))
+            seed=int(hashlib.md5(sig.encode("utf-8")).hexdigest(),16)
+            return str(random.Random(seed).choice(lib))
+        print(f"[bgm] 情绪 '{mood}' 库内无曲（{BGM_LIBRARY/mood}），跳过 BGM")
+    return None
+
+# ---------- 镜头时间窗：同素材复用不重复 ----------
+def _has_overlap(intervals, eps=0.05):
+    """intervals: [(start,end), ...]；排序后判断是否有相邻区间重叠。"""
+    s=sorted(intervals)
+    return any(b0 < a1-eps for (a0,a1),(b0,b1) in zip(s, s[1:]))
+
+def _resolve_windows(segs, clips_dir):
+    """算每句的切片起点，保证**同一素材被多句复用时时间窗不重叠**（消灭重复镜头）。
+    优先级：assignment.src_start(显式，以该时刻为子镜头中心) > 同素材内自动均匀错开(泳道)。
+    显式窗口若仍重叠 → 整组回退为均匀错开并提示。返回 starts[i]=第 i 句的切片起点(秒)。"""
+    by_clip={}
+    for i,s in enumerate(segs):
+        by_clip.setdefault(s["clip"],[]).append(i)
+    starts=[0.0]*len(segs)
+    for clip,idxs in by_clip.items():
+        cdur=probe_dur(clips_dir/f"{clip}.mp4"); k=len(idxs)
+        spans=[min(segs[i]["dur"], cdur) for i in idxs]
+        if k>1 and sum(spans) > cdur+0.1:     # 该片被复用所需的不同画面总时长 > 它本身时长
+            print(f"[mix] 警告: 素材 {clip} 仅 {cdur:.1f}s，被 {k} 句复用共需 {sum(spans):.1f}s 不同画面——"
+                  f"时长不够，可能仍有重复。建议多给素材，或减少该片复用。")
+        def lane(order):                      # 第 order 条均匀落在第 order 个泳道中心
+            c=(order+0.5)*cdur/k; sp=spans[order]
+            return max(0.0, min(c-sp/2, max(0.0, cdur-sp)))
+        st=[]
+        for order,i in enumerate(idxs):
+            ss=segs[i].get("src_start"); sp=spans[order]
+            st.append(max(0.0, min(float(ss)-sp/2, max(0.0, cdur-sp))) if ss is not None else lane(order))
+        if k>1 and _has_overlap([(st[o], st[o]+spans[o]) for o in range(k)]):
+            st=[lane(o) for o in range(k)]
+            print(f"[mix] 素材 {clip} 被 {k} 句复用且窗口重叠/未指定 → 自动均匀错开，避免重复镜头")
+        for order,i in enumerate(idxs): starts[i]=round(st[order],3)
+    return starts
+
+# ---------- build：proposal.json -> final.mp4 ----------
+def cmd_build(proj):
+    work=proj/"work"; clips_dir=proj/"inputs"/"clips"
+    prop=json.loads((work/"proposal.json").read_text(encoding="utf-8"))
+    voice=prop.get("voice", DEFAULT_VOICE)
+    asg=prop["assignments"]
+    avail={p.stem for p in list_clips(proj)}
+    for a in asg:
+        if a["clip"] not in avail:
+            print(f"ERR seg{a['segment_idx']} clip '{a['clip']}' 不存在。可用: {sorted(avail)}"); sys.exit(1)
+
+    _preflight_font()  # 字体不行就早退，别先花钱配音
+
+    # 1) 逐句情感配音（带缓存：engine/voice/emotion/speed/text 未变则复用，不重复扣费）
+    segs=[]; t0=0.0
+    for a in asg:
+        i=a["segment_idx"]; mp3=work/f"vo_{i:02d}.mp3"; keyf=work/f"vo_{i:02d}.key"
+        spd=a.get("speed") if a.get("speed") is not None else DEFAULT_SPEED  # 默认明快，适配短视频平台
+        ck=f"minimax|{a.get('voice',voice)}|{a.get('emotion')}|{spd}|{a['text']}"
+        if not (mp3.exists() and keyf.exists() and keyf.read_text(encoding="utf-8")==ck):
+            gen_tts(a["text"], a.get("voice",voice), a.get("emotion"), spd, mp3)
+            keyf.write_text(ck,encoding="utf-8")
+        d=probe_dur(mp3)
+        segs.append({**a,"audio":mp3,"start":t0,"end":t0+d,"dur":d}); t0+=d
+    total=t0; print(f"[voiceover] {len(segs)} 句 / {total:.2f}s")
+
+    # 2) 配音轨
+    (work/"vo_list.txt").write_text("".join(f"file '{s['audio'].as_posix()}'\n" for s in segs),encoding="utf-8")
+    voiceover=work/"voiceover.m4a"
+    run(["ffmpeg","-y","-f","concat","-safe","0","-i",work/"vo_list.txt","-c:a","aac","-b:a","192k",voiceover])
+
+    # 3) 切片对齐（竖版 crop；按 _resolve_windows 用 -ss 精切不同子镜头，防重复）
+    #    素材比该句短时：慢放填满（setpts），**不 loop**——loop 会在一句内重复画面。
+    starts=_resolve_windows(segs, clips_dir)
+    seg_mp4s=[]
+    base_vf=f"scale={W}:{H}:force_original_aspect_ratio=increase,crop={W}:{H}"
+    for k,s in enumerate(segs):
+        src=clips_dir/f"{s['clip']}.mp4"; dur=s["dur"]; st=starts[k]; cdur=probe_dur(src)
+        out=work/f"seg_{s['segment_idx']:02d}.mp4"
+        if cdur < dur-0.05:                      # 整片比该句短 → 慢放至该句时长，无重复
+            vf=f"{base_vf},setpts=PTS*{dur/cdur:.4f},fps={FPS},setsar=1"; ss=[]
+        else:
+            vf=f"{base_vf},fps={FPS},setsar=1"; ss=["-ss",f"{st:.3f}"]
+        run(["ffmpeg","-y",*ss,"-i",src,"-t",f"{dur:.3f}","-an","-vf",vf,
+             "-c:v","libx264","-crf",CRF,"-pix_fmt","yuv420p",out])
+        seg_mp4s.append(out)
+    (work/"v_list.txt").write_text("".join(f"file '{p.as_posix()}'\n" for p in seg_mp4s),encoding="utf-8")
+    silent=work/"video_silent.mp4"
+    run(["ffmpeg","-y","-f","concat","-safe","0","-i",work/"v_list.txt","-c","copy",silent])
+
+    # 4) 字幕 ASS（Format 与 Dialogue 字段数必须一致）
+    head=("[Script Info]\nScriptType: v4.00+\nPlayResX: %d\nPlayResY: %d\n\n"
+          "[V4+ Styles]\nFormat: Name,Fontname,Fontsize,PrimaryColour,OutlineColour,BackColour,Bold,Outline,Shadow,Alignment,MarginL,MarginR,MarginV,Encoding\n"
+          "Style: D,%s,58,&H00FFFFFF,&H00000000,&H64000000,1,3,1,2,40,40,180,1\n\n"
+          "[Events]\nFormat: Layer,Start,End,Style,Text\n") % (W,H,SUB_FONT)
+    body="\n".join(f"Dialogue: 0,{_ass_time(s['start'])},{_ass_time(s['end'])},D,{s['text']}" for s in segs)
+    ass=work/"subs.ass"; ass.write_text(head+body+"\n",encoding="utf-8")
+    ass_esc=ass.as_posix().replace(":","\\:")
+
+    # 5) BGM ducking + 烧字幕 -> final
+    bgm=_resolve_bgm(proj, prop); final=proj/"final.mp4"
+    if bgm and Path(bgm).exists():
+        print(f"[bgm] {bgm}")
+        fc=("[2:a]aloop=loop=-1:size=2e9,volume=0.25[bg];[1:a]asplit=2[vo][sc];"
+            "[bg][sc]sidechaincompress=threshold=0.02:ratio=8:attack=5:release=300[bgd];"
+            "[vo][bgd]amix=inputs=2:duration=first:normalize=0[aout]")
+        run(["ffmpeg","-y","-i",silent,"-i",voiceover,"-i",bgm,
+             "-filter_complex",fc+f";[0:v]subtitles='{ass_esc}'[v]",
+             "-map","[v]","-map","[aout]","-t",f"{total:.3f}",
+             "-c:v","libx264","-crf",CRF,"-pix_fmt","yuv420p","-c:a","aac","-b:a","192k","-shortest",final])
+    else:
+        print("[bgm] none（用户未提供且 proposal 未设 bgm_mood，仅人声）")
+        run(["ffmpeg","-y","-i",silent,"-i",voiceover,"-vf",f"subtitles='{ass_esc}'",
+             "-map","0:v","-map","1:a","-c:v","libx264","-crf",CRF,"-pix_fmt","yuv420p","-c:a","aac",final])
+    print(f"[done] {final}  ({probe_dur(final):.2f}s)")
+
+if __name__=="__main__":
+    # `assets-dir` prints the resolved BGM/voice asset root (so SKILL.md resolves it
+    # the same way this script does). No project arg needed.
+    if len(sys.argv)>=2 and sys.argv[1]=="assets-dir":
+        print(ASSET_ROOT); sys.exit(0)
+    if len(sys.argv)<3:
+        print("usage: video_compose.py [frames|build|assets-dir] <proj-dir>"); sys.exit(1)
+    cmd, proj = sys.argv[1], Path(sys.argv[2]).resolve()
+    {"frames":cmd_frames,"build":cmd_build}[cmd](proj)

package/.claude/skills/video-edit/SKILL.md

@@ -14,6 +14,64 @@ owner_repo: Optima-Chat/optima-gen
 
 用户给原始视频，你交付剪好的成片。
 
+## Step 0：指令清单读回（≥ 2 个动作时必跑）
+
+**为什么必跑**：用户反馈"发给 AI 的多个指令总有漏掉，要重新生成"。LLM 直接读多指令时容易抓 1-2 个执行，剩下的被吞。**没有 checklist 也没有回读 → 用户只能等成片出来才发现漏了 → 全流程重做**。
+
+### 触发判定
+
+| 用户消息 | 是否必跑 Step 0 |
+|---|---|
+| "剪一下" / "加字幕" / "去卡顿"（单一动作） | 跳过 |
+| "剪一下，剪到 30 秒"（1 动作 + 1 修饰） | 跳过 |
+| "剪一下 + 加 banner 'XYZ'"（≥ 2 个动作） | **必跑** |
+| "字幕用白色 + 加 BGM + 压到 30 秒"（≥ 2 个动作） | **必跑** |
+| 任何**迭代消息**改 ≥ 2 项（"banner 换成 X，字幕换成 Y"） | **必跑** |
+
+模糊判定：宁可读回，不要漏。
+
+### 操作（在执行任何 `video-edit ...` 命令之前）
+
+1. **拆指令**：把用户消息切成原子动作清单（每条 ≤ 15 字）。常见类别：
+   - 剪辑：剪一下 / 去卡顿 / 剪到 30 秒 / 删开头 5 秒
+   - 字幕：加字幕 / 不要字幕 / 字幕用白色 / 字幕加大
+   - Banner：加 banner "XYZ" / 不要 banner / banner 换成 "ABC"
+   - 节奏：去 NG / 保留所有重复
+   - 输出：竖版 / 横版 / 不变
+
+2. **一条消息内输出读回 + 等确认**（**不要边读边动手**）：
+
+   ```
+   我理解你要做的：
+   1. 剪一下（默认去卡顿 + NG）
+   2. 加 banner "日发四万单"
+   3. 字幕用粗体白色
+   4. 压到 30 秒以内
+
+   全对回"开始"/"对"；要改/补告诉我哪条。
+   ```
+
+3. **用户确认后**：按清单顺序执行；每条对应到下文 skill 流程的具体步骤；执行完一条在内部 TaskList 标记 done；**全部 done 才报"成片完成"**。
+
+4. **交付汇报里逐条回扣**：
+
+   ```
+   成片 xxx_subbed.mp4 完成：
+   1. ✅ 剪一下 → 时长 28s（原 65s）
+   2. ✅ banner "日发四万单" 顶部
+   3. ✅ 字幕粗体白色已烧
+   4. ✅ 28s < 30s
+   ```
+
+### 严禁
+
+- ❌ 跳过 Step 0 直接执行 ≥ 2 个动作 — ≥ 2 动作时**附带的细粒度参数（"字幕 30pt"）**最容易被漏；不读回必发生
+- ❌ 读回时省掉某条 / 合并两条为"剩下默认" — 漏掉的同义词
+- ❌ 全部执行完才在交付汇报里说"我做了 1/2/3" — 用户已经等了 5 分钟,这时发现漏掉要重做
+- ❌ 用户给迭代指令（"banner 换成 X，字幕加大"）时直接动手 — 迭代同样要读回
+
+**细粒度参数本身是否触发 Step 0**：单一动作 + 单一参数（"剪到 30 秒" / "字幕 30pt" 单独说）**不触发**，按上方触发表跳过。Step 0 是给 ≥ 2 个独立动作准备的；单参数请求按单动作走。
+
 ## 用户怎么说，你交付什么
 
 **默认所有剪辑都带字幕**——中文短视频 99% 需要字幕，"剪一下"的潜台词就是"给我能直接发的成片"。
@@ -188,7 +246,9 @@ video-edit subtitle <video>
 
 ### 用户要求调整时
 
-用户看完成片说某段不对：
+**如果是 ≥ 2 项调整**（"banner 换成 X，字幕加大"）→ **先回到 Step 0 读回 + 等确认**，再动手。迭代是漏指令的高发场景（上一轮的已生效项 + 这一轮的新要求容易混）。
+
+单项调整直接做：
 1. 编辑 `<video>.work/final_script.txt`（加/删内容）
 2. 删 `<video>.work/subs.ass`
 3. 重跑 `smart-cut` + `subtitle`
@@ -258,6 +318,7 @@ video-edit smart-cut <video>
 - ❌ 用户说"剪掉前 X 秒"/"剪掉中间一段"——定点裁剪不是去卡顿，告诉用户"我擅长去卡顿停顿，定点裁剪请用别的方式"
 - ❌ **跳过通读自查直接 smart-cut**——重复内容是用户最反感的问题，省这一步省不出去
 - ❌ **跳过 review 直接 subtitle**——subtitle 烧完字幕的成片重复不可逆，必须先通过 review
+- ❌ **多指令场景跳过 Step 0 读回**——用户给 ≥ 2 个动作时不读回必有漏指令
 
 ## 命令参考（你内部用）