feihong-code 8.0.0 → 8.0.2

package/agent-team/skills/10_GEO/345/225/206/346/234/272/350/257/212/346/226/255/345/256/230/SKILL.md

@@ -0,0 +1,38 @@
+---
+name: 10_GEO商机诊断官
+description: 基于地理与经营数据诊断潜在商机。属于L4层，优先级P3。触发场景：用户需要GEO商机诊断官、或涉及region、business_type相关任务时调用。输出：diagnosis。
+---
+
+# 10_GEO商机诊断官（10）
+
+基于地理与经营数据诊断潜在商机
+
+- **所属层级**：L4（优先级 P3）
+
+## 使用方式
+
+```bash
+# 方式一：命令行参数
+python3 run.py --input '{"region": "示例输入"}'
+
+# 方式二：标准输入
+echo '{"region": "示例输入"}' | python3 run.py
+
+# 接入真实大模型（可选）
+LLM_API_KEY=xxx LLM_MODEL=xxx python3 run.py --llm --input '{"region": "示例输入"}'
+```
+
+## 输入字段
+
+| 字段 | 说明 |
+|---|---|
+| region | 目标区域 |
+| business_type | 业态 |
+
+## 输出字段
+
+- **diagnosis**：商机诊断报告
+
+## 安装为 Skill
+
+将本目录（含 SKILL.md 与 run.py）复制到目标 Skill 根目录即可被智能体发现调用。

package/agent-team/skills/10_GEO/345/225/206/346/234/272/350/257/212/346/226/255/345/256/230/run.py

@@ -0,0 +1,108 @@
+#!/usr/bin/env python3
+# -*- coding: utf-8 -*-
+"""GEO商机诊断官（10）独立运行器。
+
+由 feihongzhi_agents 导出：自包含、仅标准库，可被其他智能体直接调用或安装为 Skill。
+用法：
+    python3 run.py --input '{"field": "value"}'
+    echo '{"field": "value"}' | python3 run.py
+可选接入真实大模型（设置环境变量后加 --llm）：
+    LLM_API_KEY=xxx LLM_MODEL=xxx LLM_BASE_URL=https://ark.cn-beijing.volces.com/api/v3
+    python3 run.py --llm --input '...'
+"""
+import argparse
+import json
+import sys
+import time
+import urllib.request
+import urllib.error
+from datetime import datetime
+
+# ------------------------- 内嵌核心逻辑（自动生成） -------------------------
+def _ts() -> str:
+    return datetime.now().strftime("%Y-%m-%d %H:%M:%S")
+
+
+def run_logic_10(data, llm=None):
+    """GEO 商机诊断：基于地理与经营数据诊断潜在商机。"""
+    region = data.get("region", "泉州")
+    business = data.get("business_type", "企业服务")
+    diagnosis = {
+        "region": region,
+        "business_type": business,
+        "zones": [
+            {"zone": f"{region}·核心商圈", "score": 92, "reason": "人口密度高、企业密集"},
+            {"zone": f"{region}·产业园区", "score": 85, "reason": "目标客群集中"},
+        ],
+        "priority": "建议优先覆盖核心商圈",
+        "diagnosed_at": _ts(),
+    }
+    ai_note = ""
+    if llm is not None and getattr(llm, "provider", "mock") != "mock":
+        try:
+            ai_note = llm.complete(
+                f"区域 {region}、业态 {business}，给出获客优先级判断，不超过 60 字。",
+                system="你是 GEO 商业诊断专家。")
+        except Exception:
+            ai_note = ""
+    return {"diagnosis": diagnosis, "ai_note": ai_note}
+
+# ------------------------- 极简 LLM 客户端（可选） -------------------------
+class _MiniLLM:
+    provider = "doubao"
+    def __init__(self):
+        import os
+        self.key = os.environ.get("LLM_API_KEY", "")
+        self.model = os.environ.get("LLM_MODEL", "")
+        self.base = os.environ.get("LLM_BASE_URL", "https://ark.cn-beijing.volces.com/api/v3").rstrip("/")
+        if not self.key or not self.model:
+            raise RuntimeError("缺少 LLM_API_KEY / LLM_MODEL 环境变量")
+    def complete(self, prompt, system=""):
+        msgs = []
+        if system:
+            msgs.append({"role": "system", "content": system})
+        msgs.append({"role": "user", "content": prompt})
+        payload = {"model": self.model, "messages": msgs, "temperature": 0.7, "max_tokens": 1024}
+        req = urllib.request.Request(
+            self.base + "/chat/completions",
+            data=json.dumps(payload).encode("utf-8"),
+            headers={"Content-Type": "application/json", "Authorization": "Bearer " + self.key},
+            method="POST")
+        try:
+            with urllib.request.urlopen(req, timeout=60) as resp:
+                body = json.loads(resp.read().decode("utf-8"))
+        except urllib.error.HTTPError as e:
+            raise RuntimeError("LLM 调用失败 HTTP %s: %s" % (e.code, e.read().decode("utf-8", errors="ignore")[:200]))
+        return body["choices"][0]["message"]["content"].strip()
+
+def _load_input(args):
+    if args.input:
+        return json.loads(args.input)
+    if not sys.stdin.isatty():
+        raw = sys.stdin.read()
+        if raw.strip():
+            return json.loads(raw)
+    return {}
+
+def main():
+    ap = argparse.ArgumentParser(description="GEO商机诊断官（10）")
+    ap.add_argument("--input", help="JSON 输入，如 '{\"topic\": \"AI获客\"}'；或经 stdin 传入")
+    ap.add_argument("--llm", action="store_true", help="启用真实大模型（需 LLM_API_KEY/LLM_MODEL 环境变量）")
+    args = ap.parse_args()
+    data = _load_input(args)
+    llm = None
+    if args.llm:
+        try:
+            llm = _MiniLLM()
+        except Exception as e:
+            print(json.dumps({"ok": False, "error": "LLM 初始化失败: " + str(e)}, ensure_ascii=False))
+            sys.exit(1)
+    try:
+        out = run_logic_10(data, llm)
+    except Exception as e:
+        print(json.dumps({"ok": False, "error": str(e)}, ensure_ascii=False))
+        sys.exit(1)
+    print(json.dumps({"ok": True, "output": out}, ensure_ascii=False))
+
+if __name__ == "__main__":
+    main()

package/agent-team/skills/11_/344/270/200/344/272/272/345/205/254/345/217/270AI/345/221/230/345/267/245/350/260/203/345/272/246/345/256/230/SKILL.md

@@ -0,0 +1,37 @@
+---
+name: 11_一人公司AI员工调度官
+description: 编排、调度、监控全部 AI 员工，管理任务全生命周期。属于L5层，优先级基建。触发场景：用户需要一人公司AI员工调度官、或涉及tasks相关任务时调用。输出：schedule。
+---
+
+# 11_一人公司AI员工调度官（11）
+
+编排、调度、监控全部 AI 员工，管理任务全生命周期
+
+- **所属层级**：L5（优先级 基建）
+
+## 使用方式
+
+```bash
+# 方式一：命令行参数
+python3 run.py --input '{"tasks": "["示例A","示例B"]"}'
+
+# 方式二：标准输入
+echo '{"tasks": "["示例A","示例B"]"}' | python3 run.py
+
+# 接入真实大模型（可选）
+LLM_API_KEY=xxx LLM_MODEL=xxx python3 run.py --llm --input '{"tasks": "["示例A","示例B"]"}'
+```
+
+## 输入字段
+
+| 字段 | 说明 |
+|---|---|
+| tasks | 待编排任务列表 |
+
+## 输出字段
+
+- **schedule**：执行顺序与策略
+
+## 安装为 Skill
+
+将本目录（含 SKILL.md 与 run.py）复制到目标 Skill 根目录即可被智能体发现调用。

package/agent-team/skills/11_/344/270/200/344/272/272/345/205/254/345/217/270AI/345/221/230/345/267/245/350/260/203/345/272/246/345/256/230/run.py

@@ -0,0 +1,111 @@
+#!/usr/bin/env python3
+# -*- coding: utf-8 -*-
+"""一人公司AI员工调度官（11）独立运行器。
+
+由 feihongzhi_agents 导出：自包含、仅标准库，可被其他智能体直接调用或安装为 Skill。
+用法：
+    python3 run.py --input '{"field": "value"}'
+    echo '{"field": "value"}' | python3 run.py
+可选接入真实大模型（设置环境变量后加 --llm）：
+    LLM_API_KEY=xxx LLM_MODEL=xxx LLM_BASE_URL=https://ark.cn-beijing.volces.com/api/v3
+    python3 run.py --llm --input '...'
+"""
+import argparse
+import json
+import sys
+import time
+import urllib.request
+import urllib.error
+from datetime import datetime
+
+# ------------------------- 内嵌核心逻辑（自动生成） -------------------------
+def _ts() -> str:
+    return datetime.now().strftime("%Y-%m-%d %H:%M:%S")
+
+
+def run_logic_11(data, llm=None):
+    """调度计划：按优先级与依赖生成执行顺序。"""
+    tasks = data.get("tasks") or [
+        {"module_id": "01", "task_type": "lead_scan", "priority": "P0"},
+        {"module_id": "02", "task_type": "follow_up", "priority": "P0"},
+        {"module_id": "04", "task_type": "chat_analysis", "priority": "P0"},
+        {"module_id": "09", "task_type": "tiering", "priority": "P0"},
+    ]
+    order = sorted(tasks, key=lambda t: {"P0": 0, "P1": 1, "P2": 2, "P3": 3}.get(t.get("priority", "P1"), 1))
+    schedule = {
+        "order": [t["module_id"] for t in order],
+        "dependency_rule": "前置任务 success 后触发后续任务",
+        "retry_policy": "失败自动重试，上限 3 次，超限转 blocked 并告警",
+        "human_gate": "涉及对外触达的任务在人工确认节点暂停",
+        "estimated_minutes": len(order) * 3,
+        "planned_at": _ts(),
+    }
+    ai_note = ""
+    if llm is not None and getattr(llm, "provider", "mock") != "mock":
+        try:
+            ai_note = llm.complete(
+                f"任务列表 {json.dumps(tasks, ensure_ascii=False)}，指出编排上的一个风险，不超过 50 字。",
+                system="你是系统调度架构师。")
+        except Exception:
+            ai_note = ""
+    return {"schedule": schedule, "ai_note": ai_note}
+
+# ------------------------- 极简 LLM 客户端（可选） -------------------------
+class _MiniLLM:
+    provider = "doubao"
+    def __init__(self):
+        import os
+        self.key = os.environ.get("LLM_API_KEY", "")
+        self.model = os.environ.get("LLM_MODEL", "")
+        self.base = os.environ.get("LLM_BASE_URL", "https://ark.cn-beijing.volces.com/api/v3").rstrip("/")
+        if not self.key or not self.model:
+            raise RuntimeError("缺少 LLM_API_KEY / LLM_MODEL 环境变量")
+    def complete(self, prompt, system=""):
+        msgs = []
+        if system:
+            msgs.append({"role": "system", "content": system})
+        msgs.append({"role": "user", "content": prompt})
+        payload = {"model": self.model, "messages": msgs, "temperature": 0.7, "max_tokens": 1024}
+        req = urllib.request.Request(
+            self.base + "/chat/completions",
+            data=json.dumps(payload).encode("utf-8"),
+            headers={"Content-Type": "application/json", "Authorization": "Bearer " + self.key},
+            method="POST")
+        try:
+            with urllib.request.urlopen(req, timeout=60) as resp:
+                body = json.loads(resp.read().decode("utf-8"))
+        except urllib.error.HTTPError as e:
+            raise RuntimeError("LLM 调用失败 HTTP %s: %s" % (e.code, e.read().decode("utf-8", errors="ignore")[:200]))
+        return body["choices"][0]["message"]["content"].strip()
+
+def _load_input(args):
+    if args.input:
+        return json.loads(args.input)
+    if not sys.stdin.isatty():
+        raw = sys.stdin.read()
+        if raw.strip():
+            return json.loads(raw)
+    return {}
+
+def main():
+    ap = argparse.ArgumentParser(description="一人公司AI员工调度官（11）")
+    ap.add_argument("--input", help="JSON 输入，如 '{\"topic\": \"AI获客\"}'；或经 stdin 传入")
+    ap.add_argument("--llm", action="store_true", help="启用真实大模型（需 LLM_API_KEY/LLM_MODEL 环境变量）")
+    args = ap.parse_args()
+    data = _load_input(args)
+    llm = None
+    if args.llm:
+        try:
+            llm = _MiniLLM()
+        except Exception as e:
+            print(json.dumps({"ok": False, "error": "LLM 初始化失败: " + str(e)}, ensure_ascii=False))
+            sys.exit(1)
+    try:
+        out = run_logic_11(data, llm)
+    except Exception as e:
+        print(json.dumps({"ok": False, "error": str(e)}, ensure_ascii=False))
+        sys.exit(1)
+    print(json.dumps({"ok": True, "output": out}, ensure_ascii=False))
+
+if __name__ == "__main__":
+    main()

package/agent-team/skills/12_/350/200/201/346/235/277/347/237/255/350/247/206/351/242/221/350/216/267/345/256/242/350/204/232/346/234/254/345/256/230/SKILL.md

@@ -0,0 +1,39 @@
+---
+name: 12_老板短视频获客脚本官
+description: 生成获客向短视频脚本（口播 + 分镜）。属于L2层，优先级P1。触发场景：用户需要老板短视频获客脚本官、或涉及topic、selling_points、audience相关任务时调用。输出：script。
+---
+
+# 12_老板短视频获客脚本官（12）
+
+生成获客向短视频脚本（口播 + 分镜）
+
+- **所属层级**：L2（优先级 P1）
+
+## 使用方式
+
+```bash
+# 方式一：命令行参数
+python3 run.py --input '{"topic": "示例输入"}'
+
+# 方式二：标准输入
+echo '{"topic": "示例输入"}' | python3 run.py
+
+# 接入真实大模型（可选）
+LLM_API_KEY=xxx LLM_MODEL=xxx python3 run.py --llm --input '{"topic": "示例输入"}'
+```
+
+## 输入字段
+
+| 字段 | 说明 |
+|---|---|
+| topic | 选题 |
+| selling_points | 卖点列表 |
+| audience | 目标客户 |
+
+## 输出字段
+
+- **script**：脚本（hook/body/cta/shots）
+
+## 安装为 Skill
+
+将本目录（含 SKILL.md 与 run.py）复制到目标 Skill 根目录即可被智能体发现调用。

package/agent-team/skills/12_/350/200/201/346/235/277/347/237/255/350/247/206/351/242/221/350/216/267/345/256/242/350/204/232/346/234/254/345/256/230/run.py

@@ -0,0 +1,104 @@
+#!/usr/bin/env python3
+# -*- coding: utf-8 -*-
+"""老板短视频获客脚本官（12）独立运行器。
+
+由 feihongzhi_agents 导出：自包含、仅标准库，可被其他智能体直接调用或安装为 Skill。
+用法：
+    python3 run.py --input '{"field": "value"}'
+    echo '{"field": "value"}' | python3 run.py
+可选接入真实大模型（设置环境变量后加 --llm）：
+    LLM_API_KEY=xxx LLM_MODEL=xxx LLM_BASE_URL=https://ark.cn-beijing.volces.com/api/v3
+    python3 run.py --llm --input '...'
+"""
+import argparse
+import json
+import sys
+import time
+import urllib.request
+import urllib.error
+from datetime import datetime
+
+# ------------------------- 内嵌核心逻辑（自动生成） -------------------------
+def run_logic_12(data, llm=None):
+    """短视频获客脚本：生成口播 + 分镜脚本。"""
+    topic = data.get("topic", "AI 获客")
+    points = list(data.get("selling_points") or ["自动找客户", "降本增效"])
+    while len(points) < 2:
+        points.append("真实案例支撑")
+    audience = data.get("audience", "工厂老板")
+    script = {
+        "hook": f"{audience}注意：{topic}，90% 的人都做反了。",
+        "body": f"三步讲清：①{points[0]}；②{points[1]}；③真实案例。",
+        "cta": "评论区扣「方案」，免费领《获客清单》。",
+        "duration_sec": 45,
+        "shots": ["近景口播 3s", "痛点场景 10s", "操作演示 20s", "案例收尾 10s", "CTA 2s"],
+    }
+    ai_note = ""
+    if llm is not None and getattr(llm, "provider", "mock") != "mock":
+        try:
+            ai_note = llm.complete(
+                f"选题 {topic}、卖点 {points}，重写黄金 3 秒钩子，不超过 40 字。",
+                system="你是短视频编导。")
+        except Exception:
+            ai_note = ""
+    return {"script": script, "ai_note": ai_note}
+
+# ------------------------- 极简 LLM 客户端（可选） -------------------------
+class _MiniLLM:
+    provider = "doubao"
+    def __init__(self):
+        import os
+        self.key = os.environ.get("LLM_API_KEY", "")
+        self.model = os.environ.get("LLM_MODEL", "")
+        self.base = os.environ.get("LLM_BASE_URL", "https://ark.cn-beijing.volces.com/api/v3").rstrip("/")
+        if not self.key or not self.model:
+            raise RuntimeError("缺少 LLM_API_KEY / LLM_MODEL 环境变量")
+    def complete(self, prompt, system=""):
+        msgs = []
+        if system:
+            msgs.append({"role": "system", "content": system})
+        msgs.append({"role": "user", "content": prompt})
+        payload = {"model": self.model, "messages": msgs, "temperature": 0.7, "max_tokens": 1024}
+        req = urllib.request.Request(
+            self.base + "/chat/completions",
+            data=json.dumps(payload).encode("utf-8"),
+            headers={"Content-Type": "application/json", "Authorization": "Bearer " + self.key},
+            method="POST")
+        try:
+            with urllib.request.urlopen(req, timeout=60) as resp:
+                body = json.loads(resp.read().decode("utf-8"))
+        except urllib.error.HTTPError as e:
+            raise RuntimeError("LLM 调用失败 HTTP %s: %s" % (e.code, e.read().decode("utf-8", errors="ignore")[:200]))
+        return body["choices"][0]["message"]["content"].strip()
+
+def _load_input(args):
+    if args.input:
+        return json.loads(args.input)
+    if not sys.stdin.isatty():
+        raw = sys.stdin.read()
+        if raw.strip():
+            return json.loads(raw)
+    return {}
+
+def main():
+    ap = argparse.ArgumentParser(description="老板短视频获客脚本官（12）")
+    ap.add_argument("--input", help="JSON 输入，如 '{\"topic\": \"AI获客\"}'；或经 stdin 传入")
+    ap.add_argument("--llm", action="store_true", help="启用真实大模型（需 LLM_API_KEY/LLM_MODEL 环境变量）")
+    args = ap.parse_args()
+    data = _load_input(args)
+    llm = None
+    if args.llm:
+        try:
+            llm = _MiniLLM()
+        except Exception as e:
+            print(json.dumps({"ok": False, "error": "LLM 初始化失败: " + str(e)}, ensure_ascii=False))
+            sys.exit(1)
+    try:
+        out = run_logic_12(data, llm)
+    except Exception as e:
+        print(json.dumps({"ok": False, "error": str(e)}, ensure_ascii=False))
+        sys.exit(1)
+    print(json.dumps({"ok": True, "output": out}, ensure_ascii=False))
+
+if __name__ == "__main__":
+    main()

package/agent-team/skills/13_/345/215/232/344/270/273/350/264/246/345/217/267/346/267/261/345/272/246/346/213/206/350/247/243/345/256/230/SKILL.md

@@ -0,0 +1,37 @@
+---
+name: 13_博主账号深度拆解官
+description: 拆解对标账号的定位、选题、结构与转化路径。属于L2层，优先级P2。触发场景：用户需要博主账号深度拆解官、或涉及account相关任务时调用。输出：report。
+---
+
+# 13_博主账号深度拆解官（13）
+
+拆解对标账号的定位、选题、结构与转化路径
+
+- **所属层级**：L2（优先级 P2）
+
+## 使用方式
+
+```bash
+# 方式一：命令行参数
+python3 run.py --input '{"account": "示例输入"}'
+
+# 方式二：标准输入
+echo '{"account": "示例输入"}' | python3 run.py
+
+# 接入真实大模型（可选）
+LLM_API_KEY=xxx LLM_MODEL=xxx python3 run.py --llm --input '{"account": "示例输入"}'
+```
+
+## 输入字段
+
+| 字段 | 说明 |
+|---|---|
+| account | 对标账号 |
+
+## 输出字段
+
+- **report**：拆解报告
+
+## 安装为 Skill
+
+将本目录（含 SKILL.md 与 run.py）复制到目标 Skill 根目录即可被智能体发现调用。

package/agent-team/skills/13_/345/215/232/344/270/273/350/264/246/345/217/267/346/267/261/345/272/246/346/213/206/350/247/243/345/256/230/run.py

@@ -0,0 +1,105 @@
+#!/usr/bin/env python3
+# -*- coding: utf-8 -*-
+"""博主账号深度拆解官（13）独立运行器。
+
+由 feihongzhi_agents 导出：自包含、仅标准库，可被其他智能体直接调用或安装为 Skill。
+用法：
+    python3 run.py --input '{"field": "value"}'
+    echo '{"field": "value"}' | python3 run.py
+可选接入真实大模型（设置环境变量后加 --llm）：
+    LLM_API_KEY=xxx LLM_MODEL=xxx LLM_BASE_URL=https://ark.cn-beijing.volces.com/api/v3
+    python3 run.py --llm --input '...'
+"""
+import argparse
+import json
+import sys
+import time
+import urllib.request
+import urllib.error
+from datetime import datetime
+
+# ------------------------- 内嵌核心逻辑（自动生成） -------------------------
+def _ts() -> str:
+    return datetime.now().strftime("%Y-%m-%d %H:%M:%S")
+
+
+def run_logic_13(data, llm=None):
+    """博主账号拆解：拆解对标账号的定位、选题、结构、转化路径。"""
+    account = data.get("account", "对标账号A")
+    report = {
+        "account": account,
+        "positioning": "工厂老板 IP，讲透 AI 获客",
+        "topics": ["获客方法", "行业案例", "工具测评"],
+        "structure": "三段式：痛点 → 方法 → 案例",
+        "conversion": "评论区引流 → 私域 → 成交",
+        "takedown_at": _ts(),
+    }
+    ai_note = ""
+    if llm is not None and getattr(llm, "provider", "mock") != "mock":
+        try:
+            ai_note = llm.complete(
+                f"拆解账号 {account}，给出 1 条可立即复用的打法，不超过 60 字。",
+                system="你是账号增长拆解专家。")
+        except Exception:
+            ai_note = ""
+    return {"report": report, "ai_note": ai_note}
+
+# ------------------------- 极简 LLM 客户端（可选） -------------------------
+class _MiniLLM:
+    provider = "doubao"
+    def __init__(self):
+        import os
+        self.key = os.environ.get("LLM_API_KEY", "")
+        self.model = os.environ.get("LLM_MODEL", "")
+        self.base = os.environ.get("LLM_BASE_URL", "https://ark.cn-beijing.volces.com/api/v3").rstrip("/")
+        if not self.key or not self.model:
+            raise RuntimeError("缺少 LLM_API_KEY / LLM_MODEL 环境变量")
+    def complete(self, prompt, system=""):
+        msgs = []
+        if system:
+            msgs.append({"role": "system", "content": system})
+        msgs.append({"role": "user", "content": prompt})
+        payload = {"model": self.model, "messages": msgs, "temperature": 0.7, "max_tokens": 1024}
+        req = urllib.request.Request(
+            self.base + "/chat/completions",
+            data=json.dumps(payload).encode("utf-8"),
+            headers={"Content-Type": "application/json", "Authorization": "Bearer " + self.key},
+            method="POST")
+        try:
+            with urllib.request.urlopen(req, timeout=60) as resp:
+                body = json.loads(resp.read().decode("utf-8"))
+        except urllib.error.HTTPError as e:
+            raise RuntimeError("LLM 调用失败 HTTP %s: %s" % (e.code, e.read().decode("utf-8", errors="ignore")[:200]))
+        return body["choices"][0]["message"]["content"].strip()
+
+def _load_input(args):
+    if args.input:
+        return json.loads(args.input)
+    if not sys.stdin.isatty():
+        raw = sys.stdin.read()
+        if raw.strip():
+            return json.loads(raw)
+    return {}
+
+def main():
+    ap = argparse.ArgumentParser(description="博主账号深度拆解官（13）")
+    ap.add_argument("--input", help="JSON 输入，如 '{\"topic\": \"AI获客\"}'；或经 stdin 传入")
+    ap.add_argument("--llm", action="store_true", help="启用真实大模型（需 LLM_API_KEY/LLM_MODEL 环境变量）")
+    args = ap.parse_args()
+    data = _load_input(args)
+    llm = None
+    if args.llm:
+        try:
+            llm = _MiniLLM()
+        except Exception as e:
+            print(json.dumps({"ok": False, "error": "LLM 初始化失败: " + str(e)}, ensure_ascii=False))
+            sys.exit(1)
+    try:
+        out = run_logic_13(data, llm)
+    except Exception as e:
+        print(json.dumps({"ok": False, "error": str(e)}, ensure_ascii=False))
+        sys.exit(1)
+    print(json.dumps({"ok": True, "output": out}, ensure_ascii=False))
+
+if __name__ == "__main__":
+    main()

package/agent-team/skills/14_AI/347/237/255/350/247/206/351/242/221/350/207/252/345/212/250/345/211/252/350/276/221/345/270/210/SKILL.md

@@ -0,0 +1,39 @@
+---
+name: 14_AI短视频自动剪辑师
+description: 素材自动剪辑成片、批量出片。属于L2层，优先级P1。触发场景：用户需要AI短视频自动剪辑师、或涉及clips、script、template相关任务时调用。输出：video。
+---
+
+# 14_AI短视频自动剪辑师（14）
+
+素材自动剪辑成片、批量出片
+
+- **所属层级**：L2（优先级 P1）
+
+## 使用方式
+
+```bash
+# 方式一：命令行参数
+python3 run.py --input '{"clips": "["示例A","示例B"]"}'
+
+# 方式二：标准输入
+echo '{"clips": "["示例A","示例B"]"}' | python3 run.py
+
+# 接入真实大模型（可选）
+LLM_API_KEY=xxx LLM_MODEL=xxx python3 run.py --llm --input '{"clips": "["示例A","示例B"]"}'
+```
+
+## 输入字段
+
+| 字段 | 说明 |
+|---|---|
+| clips | 素材列表 |
+| script | 脚本 |
+| template | 模板 |
+
+## 输出字段
+
+- **video**：成片元数据
+
+## 安装为 Skill
+
+将本目录（含 SKILL.md 与 run.py）复制到目标 Skill 根目录即可被智能体发现调用。