Claude Code Skills on 拾光集

AI 漫剧制作 Skill 工作流：用剧本、资产和分镜提高创作效率

Wed, 29 Jul 2026 11:47:00 +0800

制作 AI 漫剧，真正困难的通常不是生成一张图片，而是如何让剧情节奏、人物形象和镜头衔接保持一致。

目前 GitHub 上已经出现多套面向 Claude Code、Codex 等 AI Agent 的开源 Skills。虽然不同项目的命名并不完全相同，但核心流程基本可以归纳为三类：

剧本创作 Skill
图像资产 Skill
分镜制作 Skill

这三类 Skill 可以把小说或创意逐步转换为剧本、角色资产、分镜表和图像或视频提示词。

一、剧本创作 Skill

剧本 Skill 负责把小说、故事大纲或简单创意，整理成适合短剧和漫剧制作的结构化剧本。

常见输出包括：

故事背景与核心冲突
角色身份、动机和人物关系
分集大纲
场景编号与场景说明
人物动作和对白
每集开头的吸引点
结尾悬念或下一集钩子

它的价值不是单纯“把文字写长”，而是提前解决剧情节奏问题。

很多 AI 漫剧画面并不差，但播放数据不理想，常见原因是开头进入剧情太慢、冲突不明确，或者每集结尾缺少继续观看的理由。

因此，剧本生成后仍然需要人工检查：

前几秒是否出现核心事件
主角目标是否明确
冲突是否能够通过画面表现
对白是否过多
每个场景是否有存在的必要

二、图像资产 Skill

图像资产 Skill 会从剧本中提取需要反复使用的视觉元素，例如：

主要角色
次要角色
服装造型
场景
道具
交通工具
特殊物品
关键视觉符号

随后，它会为每项资产生成结构化说明和图像提示词。

一份实用的角色资产档案，至少应包含：

年龄范围
脸型与五官特征
发型和发色
身材与体态
服装款式、颜色和材质
常用表情
正面、侧面和背面参考
中文与英文提示词
不允许变化的角色特征

这一步的重点是解决**角色一致性**。

同一个人物在不同镜头中出现时，应尽量复用相同的角色描述和参考图，而不是每次重新生成一套提示词。否则容易出现脸型、发型、服装颜色和年龄不断变化的问题。

三、专业分镜 Skill

分镜 Skill 负责把剧本转换成可以直接执行的镜头清单。

它通常会为每个镜头标注：

镜头编号
场景与时间
出场人物
景别
摄影机角度
人物位置
人物动作
表情变化
灯光与色调
镜头运动
台词或旁白
建议时长
首帧或关键帧提示词

例如，剧本中只有一句：

主角发现桌上的合同被人替换。

分镜需要进一步明确：

先用近景展示主角翻开合同
再切换到合同签名位置的特写
主角手指停顿，表情从疑惑变为警觉
镜头缓慢推进
背景声音逐渐减弱
最后切到门外模糊的人影

只有完成这样的镜头拆解，图像模型和视频模型才能获得更明确的执行信息。

三类 Skill 如何组成完整工作流

一套基础的 AI 漫剧生产流程可以按照下面的顺序执行：

第一步：导入故事

输入小说章节、故事大纲或原创创意，明确：

视频类型
目标平台
单集时长
画面比例
目标观众
视觉风格

第二步：生成分集剧本

使用剧本 Skill 输出分集大纲和单集剧本，并人工确认剧情逻辑、冲突和结尾钩子。

第三步：建立资产库

使用资产 Skill 提取角色、场景和道具，先生成角色参考图或三视图。

资产确认后再进入批量分镜阶段，避免后期不断返工。

第四步：生成分镜

使用分镜 Skill 将剧本拆解为逐镜头表格，并生成每个镜头的关键帧提示词。

第五步：生成图片和视频

把已经确认的角色参考图、场景资产和分镜提示词交给图像或视频模型。

生成过程中应优先检查：

人物是否一致
服装是否变化
场景空间是否连续
人物动作能否衔接
镜头景别是否过于重复

使用 Skill 不代表可以完全自动化

Skill 的作用是把经验和制作规则整理成可重复执行的流程，但它不能自动保证作品质量。

实际制作中仍然需要人工完成：

判断故事是否值得制作
修改生硬对白
选择最终角色形象
检查人物和场景一致性
筛选生成结果
控制节奏、配音和音乐
处理版权及人物肖像风险

更准确地说，Skill 能够减少重复整理和提示词编写工作，让创作者把更多时间放在剧情判断和成片质量上。

总结

AI 漫剧制作的关键，不是一次生成多少张图片，而是能否建立稳定的生产流程。

剧本 Skill 负责解决故事和节奏问题，资产 Skill 负责保持人物与场景一致，分镜 Skill 负责把文字转换为可执行的镜头。

将这三类 Skill 串联起来，可以明显减少重复工作，但最终作品是否好看，仍然取决于创作者对剧情、画面和节奏的判断。

Cheat on Content：用 AI 预测视频表现，让内容创作从直觉走向数据

Tue, 28 Jul 2026 16:14:00 +0800

做短视频时，最难判断的往往不是“能不能写出来”，而是：

这个选题值得拍吗？
标题有没有吸引力？
发布后可能获得多少播放？
为什么有些视频表现很好，有些却没有流量？

Cheat on Content 是一个开源的 AI 内容分析工具。它不会承诺准确预测某条视频一定能获得多少播放量，而是帮助创作者建立一套可以持续校准的内容评估系统。

它的核心思路是：

创作稿件
→ 发布前打分
→ 记录预测结果
→ 发布内容
→ 回收真实数据
→ 分析预测偏差
→ 更新评分规则

随着历史样本不断增加，这套系统会越来越了解你的账号，而不是只依赖通用的爆款公式。

Cheat on Content 能做什么？

1. 发布前评估内容潜力

将视频脚本或文章草稿交给 AI 后，它会根据当前评分规则，对内容进行分析，例如：

选题是否符合目标受众
开头是否能够留住用户
标题是否具有点击吸引力
内容结构是否清晰
评论区是否有讨论空间
可能出现哪些传播风险

这些分数不是平台官方预测数据，而是基于历史样本和自定义规则得出的参考结果。

2. 记录发布前预测

工具会在内容发布前保存预测结果，包括：

预估播放量区间
预期互动表现
内容优势
潜在问题
预测依据

发布后再将真实数据导入，避免出现“看到结果后再解释原因”的事后分析。

3. 根据真实数据复盘

视频发布一段时间后，可以录入实际播放量、点赞、评论、收藏等数据。

系统会对比：

1
2
3

发布前预测结果
VS
发布后的真实表现

然后找出预测偏高或偏低的原因，帮助创作者判断：

是选题判断错误
是标题不够准确
是开头留存不足
还是账号受众与预期不同

4. 持续更新评分规则

当系统连续多次出现同一方向的预测偏差时，会提示调整评分规则。

新规则不会直接覆盖旧规则，而是需要重新测试历史样本。只有新规则对过去内容的判断更加准确，才适合继续使用。

这让内容评估从一次性的 AI 建议，变成一套能够持续迭代的创作系统。

如何使用 Cheat on Content？

第一步：初始化内容项目

安装完成后，在 Claude Code 或 Codex 中输入：

`1`	`初始化 cheat-on-content`

工具会询问内容类型、更新频率、账号方向等基础信息，并在项目目录中创建所需文件。

第二步：导入历史内容

建议准备至少 5～10 条历史内容作为初始样本，包括：

表现较好的视频
表现一般的视频
表现较差的视频
对应的标题或文字稿
播放量、点赞、评论等数据

不要只导入爆款内容。

只有同时提供成功和失败样本，AI 才能识别两者之间真正有价值的差异。

第三步：分析新稿件

将准备发布的视频脚本保存到项目中，然后让工具进行打分和预测。

例如：

`1`	`打分这篇 scripts/video-001.md`

或：

`1`	`启动预测 scripts/video-001.md`

AI 会分析稿件并给出修改建议，同时保存发布前预测。

第四步：发布并记录结果

内容发布后，将真实数据录入系统。

工具会把实际结果与原始预测进行对比，并生成复盘记录。

第五步：升级内容评分规则

当历史样本逐渐增加后，系统会根据预测偏差建议更新评分标准。

长期使用后，你会得到一套更符合自己账号、赛道和受众的内容判断方法。

这个工具适合哪些人？

Cheat on Content 比较适合：

短视频创作者
自媒体运营人员
知识类博主
YouTube、抖音、小红书内容团队
需要批量测试选题的企业账号
使用 Claude Code 或 Codex 创作内容的人

它尤其适合已经发布过一批内容，但仍然无法总结流量规律的创作者。

使用时需要注意什么？

预测结果不是流量保证

视频播放量还会受到发布时间、平台推荐、账号权重、热点变化、封面、剪辑质量等因素影响。

因此，预测分数更适合用于比较多个选题，而不是把某个数字当成最终结果。

初期预测误差可能较大

项目说明中提到，如果没有导入历史对标样本，前几篇内容的预测误差可能较明显。

使用时间越长、样本越完整，评分规则才越有参考价值。

数据整理需要一定时间

目前使用过程中，仍需要手动整理脚本和发布数据。

对于完全不熟悉终端、Markdown 或 Claude Code 的用户，初次配置会有一定学习成本。

总结

Cheat on Content 的价值，并不是神奇地算出一条视频能获得多少播放量。

它真正解决的问题是：

将“我感觉这个选题可能会火”，变成一套有记录、有预测、有结果、有复盘的内容实验流程。

对于长期做短视频或自媒体的人来说，单次 AI 改稿并不难，真正困难的是建立稳定的判断标准。

Cheat on Content 提供了一种可执行的方法，让每次发布都能为下一次创作积累数据。

GitHub 项目地址

Cheat on Content - GitHub

Claude Code 安装

1
2
3

git clone https://github.com/XBuilderLAB/cheat-on-content.git
cd cheat-on-content
bash install.sh

Codex 安装

1
2
3

git clone https://github.com/XBuilderLAB/cheat-on-content.git
cd cheat-on-content
bash install.sh --codex

安装完成后，建议重新打开 Claude Code 或 Codex 会话，再执行初始化命令。

AI Skills 入门教程：用一个 SKILLs.md，让 AI 记住你的工作方法

Tue, 28 Jul 2026 15:54:00 +0800

每次让 AI 写周报、整理会议纪要或分析数据，都要重新解释格式、语气和步骤？

这类问题可以通过 AI Skills 解决。

Skills 可以理解为写给 AI 的一份“标准操作手册”：它把任务说明、执行规则、参考案例和所需资源整理在一个文件夹中。当用户提出相关需求时，支持 Agent Skills 的 AI 工具可以读取并执行这些规则。

简单来说：普通提示词只服务于当前对话，Skills 更适合保存可重复使用的工作流程。

Skills 是什么？

一个 Skills 通常对应一项明确任务，例如：

根据工作记录生成周报
按固定标准审核文章
整理会议纪要并提取待办事项
检查代码中的安全问题
按品牌规范生成营销文案

官方 Agent Skills 规范将 Skills 定义为一种轻量级开放格式。最基础的 Skills 是一个文件夹，其中必须包含 Skills.md；复杂 Skills 还可以附带脚本、模板、示例和参考资料。

Skills 能解决什么问题？

1. 减少重复沟通

不需要每次都重新说明：

输出包含哪些栏目
使用什么语气
哪些内容不能出现
数据应该如何展示
最终结果采用什么格式

2. 统一输出标准

多人或多次使用同一个 Skills 时，可以尽量保持相同的结构、流程和判断标准。

3. 沉淀个人工作方法

当你发现一套提示词效果很好，可以把它整理成 Skills，而不是让它一直留在聊天记录中。

需要注意的是，Skills 并不是让 AI 获得真正的“永久记忆”。它更像一份保存在本地或项目目录中的规则文件：只有工具能够发现并加载它时，规则才会生效。

Skills 的基本目录结构

一个标准 Skills 不只是单独散落的文本文件，而是一个独立文件夹：

weekly-report/
├── Skills.md
├── references/
│   └── report-example.md
└── templates/
    └── weekly-report-template.md

其中：

Skills.md：必需，写明名称、用途和执行规则
references/：可选，存放参考资料或优秀案例
templates/：可选，存放固定模板
scripts/：可选，存放需要执行的辅助脚本

Anthropic 和 OpenAI 的官方文档都将 Skills 描述为包含指令、资源以及可选脚本的任务能力包，而不只是一个简单提示词。

三步写出第一个 Skills

下面以“周报助手”为例。

第一步：写清楚名称和触发条件

在 Skills.md 顶部加入 YAML 元数据：

---
name: weekly-report
description: 根据用户提供的本周工作记录生成中文周报。当用户要求写周报、整理本周工作，或提交一组工作记录时使用。
---

至少应写清楚：

name：Skills 的名称
description：它能做什么，以及什么时候应该使用

description 不要只写“处理文档”或“提高效率”，否则 AI 很难判断什么时候需要调用它。

第二步：把要求改成可执行规则

不要只写：

1
2

写得专业一点。
内容简洁一些。

这种描述过于主观，不同模型可能有不同理解。

可以改成：

# 周报生成规则

收到用户的工作记录后，按以下顺序处理：

1. 将内容分为：
   - 本周完成
   - 进行中
   - 下周计划

2. 每条内容优先保留：
   - 项目名称
   - 完成数量
   - 当前进度
   - 产生的结果
   - 后续动作

3. 不得虚构用户未提供的数据。

4. 没有具体数字时，保留原始事实，并注明“未提供量化数据”。

5. 删除“积极推进”“持续赋能”“圆满完成”等空泛表达。

6. 每条控制在两句话以内。

7. 最后增加一段不超过80字的本周总结。

这些规则能够直接执行，也更容易检查结果是否合格。

第三步：提供输入与输出示例

示例能帮助 AI 理解你真正想要的效果。

# 示例

## 输入

- 完成用户调研
- 修复了几个登录页面的问题
- 数据看板还在调整
- 下周准备上线新活动

## 输出

### 本周完成

1. 完成用户调研，共收集326份有效问卷，并整理出15条核心反馈。
2. 修复登录页面3个影响用户使用的问题，登录功能已通过测试。

### 进行中

1. 数据看板重构已完成约60%，预计下周完成剩余图表和筛选功能。

### 下周计划

1. 完成数据看板重构并提交测试。
2. 上线新用户活动，持续跟踪访问量和注册转化率。

### 本周总结

本周重点完成用户调研和登录功能修复，数据看板重构按计划推进，下周将进入功能上线和数据验证阶段。

示例越接近真实工作场景，输出通常越稳定。

可直接复制的完整 Skills.md

---
name: weekly-report
description: 根据用户提供的工作记录生成结构清晰的中文周报。当用户要求写周报、总结本周工作或发送零散工作记录时使用。
---

# 周报助手

## 目标

将用户提供的零散工作记录整理为可以直接发送的中文周报。

## 执行步骤

1. 阅读全部工作记录。
2. 合并重复事项。
3. 按“本周完成、进行中、下周计划”分类。
4. 保留项目名称、数量、进度、结果和下一步动作。
5. 生成结构清晰的 Markdown 周报。

## 输出结构

### 本周完成

列出已经完成并产生结果的事项。

### 进行中

列出尚未完成的任务，并说明当前进度和下一步动作。

### 下周计划

列出下周需要执行的具体任务。

### 本周总结

使用不超过80字总结本周重点、进展和风险。

## 写作规则

- 使用平实、清晰的中文。
- 每条内容不超过两句话。
- 优先使用具体数字、进度和结果。
- 不使用“积极推进”“持续赋能”“圆满完成”等空泛表达。
- 不得编造用户没有提供的信息。
- 信息不足时，保留原意并注明缺少的数据。
- 默认使用 Markdown 格式。

## 示例

输入：

- 完成客户调研
- 修复登录页面问题
- 看板还在调整
- 下周上线活动

输出：

### 本周完成

1. 完成客户调研，并整理主要需求和反馈。
2. 完成登录页面问题修复，相关功能已恢复正常。

### 进行中

1. 数据看板仍在调整，下一步将完善图表和筛选功能。

### 下周计划

1. 完成数据看板调整并提交测试。
2. 上线新活动并跟踪用户参与数据。

### 本周总结

本周完成客户调研和登录问题修复，数据看板正在推进，下周重点为活动上线和数据验证。

新手常见的三个错误

触发条件太模糊

错误写法：

用于处理工作。

推荐写法：

`1`	`当用户要求生成周报，或提交本周工作记录时使用。`

规则只有形容词

错误写法：

`1`	`写得专业、简洁、有深度。`

推荐写法：

`1`	`正文不超过500字，每条不超过两句话，每项至少保留一个结果或进度信息。`

一个 Skills 承担太多任务

不建议把“写周报、做PPT、分析数据、发送邮件”全部放进同一个 Skills。

更合理的方式是拆成多个独立 Skills：

weekly-report/
meeting-notes/
data-analysis/
email-reply/

一个 Skills 只解决一类明确问题，通常更容易触发，也更方便维护。

使用第三方 Skills 前要注意什么？

不要看到 GitHub 上的 Skills 就直接安装。

第三方 Skills 可能附带脚本、命令或外部资源。使用前至少检查：

Skills.md 要求 AI 执行哪些操作
是否包含 scripts/ 等可执行文件
是否会读取环境变量、密钥或私人文件
是否要求上传数据到外部服务
GitHub 仓库是否持续维护

研究已经指出，Agent Skills 生态存在指令注入、恶意脚本和供应链风险，因此第三方 Skills 应当像第三方代码一样审查，而不是只把它当作文档。

去哪里找现成的 Skills？

可以从以下官方项目开始：

建议先阅读官方示例，再根据自己的工作流程修改。不要直接复制一个功能复杂的 Skills，然后期待它完全符合自己的需求。

总结

写 Skills 的关键，不是堆积大量提示词，而是把一项任务说明清楚：

什么时候使用
按什么步骤执行
必须遵守哪些规则
最终输出什么格式
什么样的结果才算合格

第一次可以从最常用、最重复的一项任务开始，例如周报、会议纪要或文章审核。先完成一个简单可用的版本，再根据实际输出逐步补充规则和示例。

Generative Media Skills：让 AI 编程助手生成图片、视频和音频

Tue, 28 Jul 2026 14:27:00 +0800

做 AI 内容创作时，图片、视频和音频通常需要分别打开不同的平台，不仅操作流程分散，提示词、素材和生成结果也不方便统一管理。

Generative Media Skills 是一套面向 AI Agent 的多模态生成工具集，可接入 Claude Code、Cursor、Gemini CLI 等 AI 编程助手，用自然语言完成图片、视频和音频的生成与编辑。项目采用结构化参数调用生成服务，重点不是再做一个聊天界面，而是把多媒体生成能力直接加入现有的 AI 工作流。

它能做什么？

Generative Media Skills 主要覆盖三类内容：

图片生成与编辑：根据文字描述生成图片，也可用于修改、扩展和处理现有画面。
视频生成：支持文字生成视频、图片生成视频等常见工作流。
音频生成：可生成语音、音乐或其他音频内容。

项目还提供可复用的生成方案、基础调用模块和 MCP Server，适合将多媒体生成能力接入自动化工作流，而不是每次都手动切换网站。

适合哪些人？

它比较适合以下使用场景：

使用 Claude Code、Cursor 或 Gemini CLI 的内容创作者。
需要批量生成封面图、短视频和配音的自媒体用户。
想把图片、视频和音频生成接入自动化流程的开发者。
需要统一管理生成提示词和媒体任务的小型内容团队。

例如，你可以直接告诉 AI：

为这篇文章生成一张科技风封面图，再制作一段 10 秒宣传视频，并生成中文旁白。

AI Agent 可以根据任务调用对应的媒体生成能力，减少在多个工具之间复制提示词和下载素材的步骤。

使用前需要注意

Generative Media Skills 本身更像一套 AI Agent 技能和调用框架，实际生成服务由 muapi.ai 提供，因此它并不等于完全离线、完全免费的本地生成软件。使用前应确认模型费用、生成额度、隐私政策以及不同模型的输出限制。

总结

Generative Media Skills 的价值，不是简单把图片、视频和音频功能放在一起，而是让 AI 编程助手能够直接调用这些生成能力。

对于已经使用 Claude Code、Cursor 或 Gemini CLI 的用户，它可以减少软件切换和重复操作，让多媒体内容生成更接近一套完整的自动化工作流。

GitHub 项目地址

https://github.com/SamurAIGPT/Generative-Media-Skills

Claude Code Skills on 拾光集

AI 漫剧制作 Skill 工作流：用剧本、资产和分镜提高创作效率

一、剧本创作 Skill

二、图像资产 Skill

三、专业分镜 Skill

三类 Skill 如何组成完整工作流

第一步：导入故事

第二步：生成分集剧本

第三步：建立资产库

第四步：生成分镜

第五步：生成图片和视频

使用 Skill 不代表可以完全自动化

相关开源项目

1. Drama Skills

2. 山音超级编剧大师

3. 山音导演大师

总结

Cheat on Content：用 AI 预测视频表现，让内容创作从直觉走向数据

Cheat on Content 能做什么？

1. 发布前评估内容潜力

2. 记录发布前预测

3. 根据真实数据复盘

4. 持续更新评分规则

如何使用 Cheat on Content？

第一步：初始化内容项目

第二步：导入历史内容

第三步：分析新稿件

第四步：发布并记录结果

第五步：升级内容评分规则

这个工具适合哪些人？

使用时需要注意什么？

预测结果不是流量保证

初期预测误差可能较大

数据整理需要一定时间

总结

GitHub 项目地址

Claude Code 安装

Codex 安装

AI Skills 入门教程：用一个 SKILLs.md，让 AI 记住你的工作方法

Skills 是什么？

Skills 能解决什么问题？

1. 减少重复沟通

2. 统一输出标准

3. 沉淀个人工作方法

Skills 的基本目录结构

三步写出第一个 Skills

第一步：写清楚名称和触发条件

第二步：把要求改成可执行规则

第三步：提供输入与输出示例

可直接复制的完整 Skills.md

新手常见的三个错误

触发条件太模糊

规则只有形容词

一个 Skills 承担太多任务

使用第三方 Skills 前要注意什么？

去哪里找现成的 Skills？

总结

Generative Media Skills：让 AI 编程助手生成图片、视频和音频

它能做什么？

适合哪些人？

使用前需要注意

总结

GitHub 项目地址