lijianfei.com

在多模态大模型席卷视频领域的浪潮中，绝大多数开发者试图将整段 1080p 原始素材以每秒数帧的密度切碎，暴力灌入超长上下文大模型进行剪辑分析。一段短短 10 分钟的多机位素材，动辄包含 18,000 帧画面，哪怕按极低分辨率压缩，也会消耗超过 2,700 万到 4,500 万的 Token 吞吐；随之而来的不仅是高昂的推理账单和漫长的网络等待，更有大模型在毫秒级时序定位上的幻觉与灾难性误差。

开源项目 browser-use/video-use 给出了颠覆性的架构解法：“大模型根本不应该‘看’视频，而应该‘读’视频。” 借鉴了 browser-use 用轻量 DOM 树替代高昂屏幕截图的降维思想，video-use 通过高精度语音转录与按需视觉合成，将 1 小时的多机位素材压缩为仅 12KB 的紧凑 Markdown，配合确定性 EDL 状态机、多引擎动画并行编排以及严格的音视频自检闭环，让 Claude Code、Codex 等通用代码 Agent 拥有了专业级视频剪辑与工业级交付能力。

在大模型技术重塑日常生产力的浪潮中，求职招聘领域正在经历一场隐秘而激烈的对抗博弈。一边是各大企业用 ATS（Applicant Tracking System，申请人追踪系统）与 AI 筛选器筑起的高耸自动化过滤网；另一边则是市面上形形色色的商业 SaaS，用雷同空洞的模板批量生成千篇一律的 AI 简历，沦为招聘方垃圾邮箱里的流水线废纸。

开源项目 MadsLorentzen/ai-job-search 走出了一条截然相反的硬核极客路线。它并非又一个在线 Web 封装，而是一套在本地机器上由 Claude Code（亦支持 Codex、Antigravity、Gemini CLI 等）原生编排的全栈端到端 AI 求职工程体系。

如果你曾尝试让大语言模型（无论是 GPT-4o 还是 Claude 3.5 Sonnet）根据实验数据绘制科研图表，大概率体验过那种熟悉的“塑料感”与挫败感：

一敲回车，AI 熟练地掏出 Matplotlib 祖传的 tab10 默认配色（刺眼的亮蓝 #1f77b4 与土橙 #ff7f0e），画出粗糙的 72 DPI 位图；更致命的是，面对缺失的数据它会自作主张地凭空脑补置信带，或者在 10 英寸的大画布上随手设一个 9pt 字体——一旦插进 LaTeX 双栏论文，整个图表同比腰斩缩放，坐标轴上的数字瞬间缩小成辨认不清的“蚂蚁字”。

开源项目 vivid-figures-skill（生动数据图） 正是为此而生。它将原本在数学建模国赛与美赛（MCM/ICM）高强度实战中锤炼出的绘图体系，封装成了面向 Claude Code 等环境的原生 Agent Skill。它没有停留在简单的 Prompt 调教层面，而是构建了一整套包含 108 个生产级图表配方、双风格去指纹色彩体系、物理尺寸前置预计算与多模态闭环审图的严密工业级管线。

随着 Claude Code、OpenAI Codex、GitHub Copilot CLI 以及各类基于 ACP（Agent Client Protocol）协议的自主编码代理相继进入开发者的日常流水线，一个极其尖锐的工程矛盾浮出水面：我们拥有了多个推理能力拔尖的“代码外脑”，但它们各自为政、互不相通，工作空间互相争抢，更无法在离开电脑时安全掌控。

开源编排框架 Paseo（getpaseo/paseo）以“本地常驻 Daemon 控制面”为核心，通过 Git Worktree 物理隔离、TweetNaCl 端到端加密中继，以及三大高阶协作技能（Handoff、Advisor 与 Committee），成功构建起跨桌面、手机端与 CLI 的统一多 Agent 协同体系。

随着 Claude Code、Cursor、AGY 等 AI Coding Agent 成为移动端开发者的主力副驾驶，许多使用 SwiftUI 的独立开发者和 iOS 工程师都有一个共同的痛点：AI 写出的 Swift 代码，往往“充满了廉价的 AI 味”。

它可能会用早该扫进历史垃圾堆的过时 API、滥用庞大的计算属性将视图塞成千行单文件、在进入动画上机械地套用 ease-in 导致生硬顿挫、或者凭空捏造出一套充满网页套壳质感的粗糙 UI。

日前，推特博主 @limbopeng 分享了当前 iOS & SwiftUI 领域最值得关注的三个开源 Agent Skill 组合：

1. Appllama/appllama-skills —— 让 AI 告别凭空想象，基于头部畅销 App 真实数据与原型展开设计；
2. emilkowalski/skills —— 前 Vercel / Linear 设计工程师打造的动画与交互“审美天花板”；
3. twostraws/SwiftUI-Agent-Skill —— 全球顶流 Swift 导师 Paul Hudson 沉淀数千小时实战经验的原生纠错引擎。

本文将为你深度拆解这三大核心技能背后的技术思想、避坑细则以及如何在终端中一键装配这套最强 iOS Agent 组合拳。

在当今的信息流与短视频生态中，“口播解说”与“知识科普” 是最受创作者欢迎的内容体裁。无论是技术博主复盘前沿架构、独立开发者讲解产品逻辑，还是出海团队制作本地化产品介绍，一段富有感染力的配音加上清晰的视觉演示，传播力远超纯文本。

然而，几乎所有尝试自制口播视频的朋友，都陷入过这三大“翻车陷阱”：

1. 纯 AI 自动剪辑工具：丢入一段音频，AI 自动从免费素材库抓取风马牛不相及的空镜（说到“开源数据库”，画面出现一个外国人对着笔记本傻笑），文不对题，廉价感扑面而来；
2. 纯数字人播报：一个仿真面孔木讷地对着镜头念稿，背景干瘪死板，观众看 5 秒就会产生严重的视觉疲劳并划走；
3. PPT / 剪映手工堆砌：做一页 PPT 念一句，或者机械地“一句话弹一个图标”，满屏元素乱飞堆积，整条视频充斥着僵硬的“PPT 播放感”。

继专注于产品宣传片的 video-shotcraft 之后，作者再次开源了姊妹篇神作 —— video-talkcraft（Vincentwei1021/video-talkcraft）。它专攻人声驱动的解说与口播视频：给它一份口播稿和一条配音，它能在本地 CPU 逐字对齐时间戳（中位误差仅 20~40ms），利用 79 张动效配方卡 与 七层反 PPT 镜头系统，在 Remotion 中渲染出电影级的解说大片——所有画面重音、运镜、视差与音效，全部分毫不差地钉在人声节拍上！

对于独立开发者、开源作者和产品团队而言，“产品做得惊艳”与“产品展示得惊艳”同样至关重要。当你历经数月打磨出一款卓越的 Web 或桌面应用，准备在 Product Hunt、X (Twitter)、GitHub 或官网上线发布时，最令人头疼的一幕往往发生了：如何做出一支具备“顶级大厂质感”的宣传片？

现实中，绝大多数团队都会撞上三堵高墙：

1. 纯手工录屏 + 剪辑：画面枯燥干瘪，平铺直叙，缺乏视觉层次与电影级运镜，无法抓住受众前 3 秒的注意力；
2. 外包专业动效团队：在 After Effects / Cinema 4D 体系下制作一条 30 秒高品质宣传片，动辄耗费数周且报价几千到数万元，一旦产品界面微调，改版成本极高；
3. 纯生成式 AI 视频模型（Sora、Runway、Kling）：虽然能生成震撼的奇幻画面，但在面对 真实软件界面（UI） 时全线溃败——文字变形乱码、按钮扭曲走样、交互逻辑混乱、无法保证精准像素级呈现。

今天为大家深度解析一款近期在开发者与 AI Agent 圈掀起轰动的开源神作 —— video-shotcraft（Vincentwei1021/video-shotcraft）。它将 Claude Code / Codex 等编码 Agent 转化为全功能的动效电影工作室：只需将你的产品交给它，它便能基于 Remotion 自动化完成分镜、2.5D 运镜、素材切片、代码化动效编排与电影级音效（SFX）卡点，甚至一键导出为剪映（CapCut）原生分轨工程草稿！

随着 Claude Code、Cursor、Codex 等 AI 智能体（Agent）深度介入日常开发，网页自动化（Browser Automation） 正在成为 AI 替人类完成信息检索、环境调试、表单填报与灰度验证的核心通道。

然而，现存的浏览器自动化方案几乎都让开发者感到痛苦不堪：

• 抢夺焦点的“物理冲突”：传统的 Playwright、Puppeteer 或 Browser-Use 一旦启动，要么弹出一个狂闪的 Chromium 窗口强行抢占鼠标焦点，要么与开发者争抢同一个浏览器的活动标签页，导致人机根本无法协同；
• 永远跨不过去的“登录态鸿沟”：无头模式下的浏览器永远是一张白纸，面对 GitHub、Google、Twitter 等现代网站的复杂 2FA 验证码，AI 智能体常常在第一道登录门禁前直接崩溃；
• 单步 CLI Ping-Pong 的 Token 吞噬：传统工具往往强迫模型遵循“点一步 → 截一张图 → 读一次 DOM → 再点一步”的单步往返循环。一个稍微复杂的网页任务就要消耗上万 Token，耗时长达数分钟。

近期在开源社区备受瞩目的 citrolabs/ego-lite，给出了令人耳目一新的答案。

它并非简单的脚本包装库，而是一款从内核底层专为“人类与 AI 智能体并行协同（Work in Parallel）”设计的全新 Chromium 浏览器。

最近在新加坡体验特斯拉 Model Y 的自动驾驶功能——那种可以让车辆自行完成大部分行驶任务的技术。它给我的直觉印象是，AI 在各个行业里都扮演着类似的角色：为人类提供“辅助”，从而显著提升整体效率。

然而，人类社会的根基始终在于个人——没有任何系统或实体能够完全摆脱人的干预。真正决定人与人差距的，是谁能更快、更精准地完成同样的任务。早期有人担忧 AI 会“替代”程序员，甚至取代所有工作；但现实告诉我们：AI 目前并不能彻底消除人类的角色，它只是把曾经需要十个人协作完成的工作压缩到两三个人就能搞定。

在观看了这段来自 YouTube 视频的完整视频后，我思考了很久，我不想复述一个工具的使用方法，也不是为了吹捧“AI写代码”的便利性。

而是为了回答一个更根本、更深刻、更危险的问题：