开源我的自动化视频制作 Skill——映画系统
OPEN SOURCE · FILM FORGE
开源一套自动化视频制作Skill：logamee-film-forge
Hermes 生态 · 自动化视频 Skill
> 你正在看的这支视频，画面、配音、字幕节奏，全部由映画系统自动生成。全程没有人工录屏、也没有我本人的录音。从理解内容到生成画面到克隆声音到合成——全部自动完成。现在开源。
●
演示视频
废话不多说，先上视频制作效果：
logamee-file-forge（映画系统）是我在教材《Hermes 与 Agent 工程实践》里开发的实战项目，它属于Shell Engineering的第二种形式——Skill+中间产物+模板规划。
经过反复的打磨，我觉得还挺满意，效果不错。现在决定开源给所有人使用，MIT 协议，随便用，随便改，随便商用。如果你对一些细节没兴趣，可以直接移步逻辑帧 GitHub 官方仓库：
https://github.com/logamee/logamee-film-forge
或者单击文末【阅读原文】，获取映画系统 Skill。
这个 skill是引导型的 Skill。比如，它会问你是不是有自己的声音克隆接口，如果有提供给它，如果没有它会为你选择一些免费的TTS 来使用，所以很好用。完全傻瓜式。
●
市面上自动化视频的一些问题
我经常需要制作各种内容讲解、知识类的视频。以前都是自己做 PPT（很丑，程序员做的 PPT 都很粗糙），然后再开着 ScreenFlow对着 PPT 逐字讲解、录屏，这样才能实现音画同步。
Agent 时代，我也尝试去寻找一些现成的视频制作工具。试用了不少，但都不满意。主要是以下几个问题：
1. 大部分工具的动画都很无趣，这些动画统一都是淡入淡出，很死板。
2. 第二点也是最大的问题，现在的视频制作或者 ppt 制作，都不是在理解内容的基础上围绕内容去做排版，大部分都是把文字堆砌在一起，然后用线框框起来。比如：
这并不是理解文字后的再创造，只是把文字进行了“分类”，然后用线条框起来。但我们希望的是“再创作”，文字只是底稿，需要 Agent 在深刻理解后对内容进行抽象和演绎。我需要的是类似这样的效果：
映画系统做的事情完全相反：排版和动画必须从内容中长出来。
我举一个例子。同样是"六个概念"：
• 如果它们的关系是平等的组成一个整体 → 用中心辐射图
• 如果是逐层深入 → 用纵向层级
• 如果是六个问题根源 → 用因果网络
• 如果是六个误区 → 逐个击破，旧观点退场
内容关系不一样，画面就不一样。
我踩了很多坑，把这件事提炼成了一个 Skill。当然，网络上很多的 Skill，会出现字体过小、不能自己定制主题这些小问题，我都在 Skill 里都做了详细的安排。
●
画面怎么从内容里长出来
映画系统里有一张 FORM-MAP 表，11 大类、80 多种视觉形式，每种形式对应一种"认知关系"。
拿到一段文字后，不是去想"这页用什么模板好看"，而是思考五个问题：
1. 观众看完应该形成什么理解？
2. 这些概念之间是什么关系？（平等并列？层级递进？因果？新旧替换？）
3. 本页的视觉焦点是什么？
4. 查 FORM-MAP 匹配哪种视觉形式。
5. 给出一段"语义动画"描述。
同样六个概念，关系不同，画面完全不同。别的工具在选模板，映画系统在做翻译。
然后是一套"语义动画词典"：
• 因果关系 → 原因先出现，机制生长，结果被点亮（不是三者同时 fade in）
• 误区纠正 → 旧观点划掉退场，新观点补位（不是错误和正确同等强调）
• 混乱到有序 → 散乱元素按逻辑归位（不是一开始就摆整齐）
• 反转 → 建立预期，停顿，再替换为真实结论（不是反转前后并排展示）
• 层级 → 底层先稳住，上层依托出现（不是层级同时出现）
每一步动画都在改变观众的理解，不是在"增加视觉效果"。
●
映画系统的工作流：从文章到视频，一步一步怎么走
映画系统不是一键生成那种"黑盒"。它把从文章到视频的整个过程拆成了 13 步，每一步 AI 都会问你一些问题、给你一些选择，你确认了再往下走。
好处是：你可以在任何一步停下来看一看、改一改，也可以让 AI 全自动跑完。但说实话，想做出质量好的视频，我建议你选半自动模式——AI 每做完一步会把产物给你看，你确认了再继续往下。真正需要你审的其实就两样：口播稿和屏幕上要显示的文字。这些 AI 代替不了你，它只能保下限，但你要的是上限。
下面我按顺序讲，每一步 AI 会问你什么、你可以怎么选。
第 0 步：项目初始化
AI 会先问你三件事：项目文件夹放哪个目录？用自动模式还是半自动模式？你的文章原文在哪里？
你告诉它之后，它会在你指定的目录下创建一个配置文件，记下所有设置。这是整个流水线的起点，你就当是"告诉 AI 我们要做什么、在哪做、做到什么程度"。
第 1 步：环境检查
AI 会检查你电脑上有没有装好做视频需要的东西：Node.js、ffmpeg、Playwright（浏览器自动化）、GSAP（动画库）这些。缺什么它会告诉你装什么，不会装到一半卡住。这一步基本不用你操心，跟着提示走就行。
第 2 步：保存原文
你把文章原文丢给 AI（直接粘贴文字、给一个 URL、或者指定本地文件路径都行），它会原样保存为 `article.md`，不做任何改写。重点是：这个文件永远不改，是后续所有步骤的原始依据。你说"改原文"，它就从头再来，不会出现改了前面但后面没同步的情况。
如果提供的原文不完整，AI 会问你要不要补充，不会自己脑补。
第 3 步：内容理解
这是最关键的一步，也是 AI 证明它真的读懂了你的文章。
AI 会写一份"内容理解报告"给你看：这篇文章一句话怎么概括？核心论点是什么？深层结构是因果、对比、递进还是反转？观众应该先知道什么、后知道什么？哪些内容适合做画面、哪些只适合留给口播？
这一步写不出来，或者写出来的东西你一看觉得不对，那就不准往下走。 让它重读，直到它真的理解为止。
这是整个流水线里最硬的一道关卡。我踩过很多坑，发现大部分"看起来像那么回事"的视频，问题根源都在于 AI 根本没读懂内容就开始画图了。所以这一步必须卡死。
当然这一步的效果取决于模型的能力，实测用 GPT5.6 和用 DeepSeek 的效果差距很大。如果追求质量，建议上高端模型。
第 4 步：主题提取
这时候 AI 会问你：需不需要指定一个配色方案或者视觉风格？
你可以说不用，它会基于你的内容给你配一套颜色。你也可以给它一些参考——比如你在其他 Skill 里见过一套配色觉得很好看，直接把那个 Skill 丢给 AI，它只提取配色和氛围，不抄布局和动画。
提取什么呢？背景色、文字色、强调色、整体氛围是明亮还是暗调、纸质还是科技感——就这些。布局和动画它不会碰，那些得从你的内容里长出来。
举个例子：你之前用过一个 Skill 做出来的视频配色特别舒服，你把这个 Skill 丢给 AI，它会去分析那个 Skill 的配色方案，只提取颜色和氛围特征记录到配置里，然后后面的所有画面都按这套配色来。但每页的布局、动画、结构——完全由内容决定，跟那个 Skill 没关系。
第 5 步：分镜脚本
AI 开始设计每一页了。它把你的文章拆成一页一页的分镜脚本，每页写明：
• 这页的核心目标是什么（观众看完这页应该理解什么）
• 屏幕上放什么文字
• 口播讲什么
• 动画意图是什么（不是"淡入"或"从左边滑入"，而是"先让观众看到整体结构，再让故障节点变红，最后焦点落在修复方案上"）
这是你唯一需要逐页审阅的文件。 觉得哪页不对你直接改，改完告诉 AI "可以了"，它继续往下走。
第 6 步：冻结分镜
你确认分镜没问题后，AI 把它冻住，拆成每页一个独立的小文件，每页打一个哈希标记。之后你改分镜，这些页面会自动过期，不会出现"改了分镜但画面没变"的低级错误。
第 7 步：视觉逻辑设计
AI 开始动真格的了。它拿着 FORM-MAP 那张表，给每一页匹配最合适的视觉形式和语义动画：
• 这页是因果关系 → 原因先出现，机制生长，结果被点亮（不是三者同时 fade in）
• 这页是误区纠正 → 旧观点划掉退场，新观点补位（不是错误和正确同等强调）
• 这页是混乱到有序 → 散乱元素按逻辑归位（不是一开始就摆整齐）
• 这页是层级递进 → 底层先稳住，上层依托出现（不是所有层级同时出现）
然后它做两层自我检查：去掉所有文字，光看画面结构还能不能看出这页在讲什么？第一眼能不能判断出重点在哪？通不过就重画。
第 8 步：构建 HTML 预览
AI 根据视觉逻辑生成一份完整的 HTML 幻灯片，每页都有动画。这时候还没加音频，你先在浏览器里打开，看画面结构和动画节奏对不对。
它还自动截了 5 个时间点的截图（0%、25%、50%、75%、100%），确保动画过程中没有文字重叠、元素碰撞的问题。你不需要自己一帧一帧去检查。
第 9 步：字幕预览
在花钱调用语音合成之前，AI 先用你的口播文本生成一份字幕预览，嵌入到 HTML 里。你检查字幕断句合不合理、节奏对不对、换页时机准不准。
这一步的好处是：改文字不花钱。一旦进了 TTS（语音合成），改一个字就要重新生成音频。所以先在这里把文字定稿。当然，TTS 其实可以本地部署，推荐 B 站的 IndexTTS。
第 10 步：选声音，生成语音
AI 会拿出一份菜单让你选：
1. 用自己的声音克隆 API — 如果你有自己训练的声音模型，告诉 AI 接口地址就行
2. 用本地已经配好的声音 — 如果你之前配置过，AI 会直接列出来
3. 用免费的在线语音 — 比如 edge-tts，不需要额外付费
4. 用免费的离线语音 — 需要下载模型，但不用联网
你选好之后，它把每页口播逐句生成音频文件，测出每页的真实时长。这一步做完，每一页讲多久、停顿多久，都有了精确的数据。
第 11 步：音画同步
拿到真实音频时长之后，AI 把之前估算的时长全部替换掉。每页的动画节奏、字幕时间点都按实际音频来校准。
音频是钟，画面是指针，字幕跟着钟走。 不是先做画面再配音，而是反过来——先有精确的音频时长，再让画面去匹配这个节奏。这一步做完，你看到的预览就已经是最终的音画节奏了。
第 12 步：浏览器预览
你打开浏览器预览，听到真实配音、看到动画和字幕同步播放。这是最终确认，你觉得没问题，就跟 AI 说"可以了"。
第 13 步：录制与合成
AI 在后台用无头浏览器渲染画面，用 ffmpeg 把画面、音频、字幕合成为一个 MP4 文件。全程不打扰你，录完自动清理临时文件，只保留可追溯的中间产物。你拿到一个可以直接发布的视频文件。
简单总结： 你只需要提供文章，选一个声音，确认口播稿（这个必须自己花时间）——剩下的事情，映画系统按这 13 步全部自动完成。每一步的产物都是独立文件，不绑定任何Agent。
●
建议甚至是必须进行二次修改
我一直信奉一个观点，没有任何一个人提供的 Skill 是完美契合你的需求的。所以通常我拿到一个优质的 Skill，我都会去进行魔改。我希望你在拿到我的这个开源 Skill 之后，也不要仅仅只是局限于它提供的功能，而是根据自己的情况去命令你的 Hermes 去对它进行二次开发。
最后，逻辑帧未来会开源越来越多的 项目，甚至包括我们现在内部用的管理 CMS 的 CLI（我们现在对于 CMS 的操作也全部是通过 Hermes 接入 CLI 来用命令操作，再也不用去打开 CMS ，点来点去了）。
如果你觉得对你有帮助，请帮我们在 GitHub 上一键三连。感谢您的支持。也欢迎您在试用后给我提供更多建议——一个好的产品是需要反复打磨的。
我是 姜磺
如果对你有帮助，请帮我们在 GitHub 上一键三连。感谢你的支持。
关于 Shell Engineering，我想把这件事说清楚