Skip to main contentWeb Video Presentation – Agent Skill by ConardLi • CraftworkTurns an article or a voice-over script into a click-through 16:9 web presentation that plays like a video, with optional narration.
$ npx skills add https://craftwork.design/skills/web-video-presentation -a claude-code -y
SKILL.md
把一篇文章或口播稿，一步步做成可录屏的"伪装成视频的网页"，可选合成
口播音频。产出物 = Vite + React + TS 项目 + 按章节切分的音频。
适用场景
- "我有口播稿 / 一篇文章，帮我做成视频" —— 口播驱动的内容
- 想做 "动态 PPT"
- 16:9 横屏录屏，大字、留白、每屏都要有动效
- 教学 / 产品演示 / keynote 想要电影感
- B 站 / YouTube /抖音视频内容
本 Skill 以方法论 + 协作流程为核心。脚手架模板提供 token 和原语，
但每个美学决策（配色、字型、动效气质）都应该针对你的主题重新设计 ——
不要照搬。
工作流总览
Phase 1 内容编写
1.1 识别用户输入
1.2 一次产出 script.md + outline.md
（口播稿 + 开发计划）
▼
[Checkpoint Plan] ← 必须停。一次对齐 5 件事：
稿子 / outline / 主题 / 素材 / 开发模式
▼
Phase 2 网页开发
2.1 脚手架（按选定主题）
2.2 第 1 章 = 主线程 + 完整版本（强制 anchor）
▼
[硬节点] 用户验收第 1 章 ← 不可跳过
▼
2.3 第 2~N 章（按选定模式：A 逐章 / B 顺序 / C 并行）
▼
[Checkpoint Audio] ← 必须停。是否合成音频
▼
Phase 3 音频合成（可选）
▼
Phase 4 录屏 + 后期
工作目录约定（agent 在用户当前目录下创建 / 编辑）：
my-video/
├── article.md # 用户给原文时必有 —— 不删！开发阶段画面信息源
├── script.md # 必有：保持原文语言的平台化口播稿（决定节拍）
├── outline.md # 必有：开发计划（章节切分 + 每步内容 + 信息池）
└── presentation/ # 脚手架产出的 Vite + React + TS 项目
├── src/chapters/<NN>-<id>/
│ ├── <Chapter>.tsx # 视觉实现
│ ├── <Chapter>.css
│ └── narrations.ts # ★ step 数 + 口播文本的唯一真相源
├── scripts/
│ ├── extract-narrations.ts # 扫所有 narrations.ts → audio-segments.json
│ ├── synthesize-audio.sh # provider-agnostic runner（循环 segments）
│ └── tts-providers/ # 每 provider 一个 .sh（内置 2 个）
│ ├── README.md # 三函数契约 + 5 段现成代码片段（11labs / edge-tts / say / azure / gcloud）
│ ├── minimax.sh # 默认 provider，用 mmx-cli
│ └── openai.sh # 内置 OpenAI TTS（curl + OPENAI_API_KEY）
├── audio-segments.json # extract 产出（合成前 review）
└── public/audio/<id>/<N>.mp3 # 可选：合成的音频
关键：narrations.ts 是 step 数和音频合成的唯一真相源。
章节 .tsx 里的 if (step === N) 出现的最大 N + 1 必须等于
narrations.length。这保证 5 处地方（script / outline / 章节代码 /
chapters.ts / 音频文件）永远不会漂。
硬性自检协议（贯穿整个 Skill）
下面三个产出，每一个完成后必须走自检 → 修复 → 再汇报 / 推进：
- Agent Teams（最优）：开一个独立的 reviewer agent，给它"产出文件
路径 + 对应清单 + 关键上下文"，让它逐项核查并严格汇报结论
（哪几条 pass / 哪几条 fail + 证据 + 改写建议）。
- subAgent（次优）：没有 Teams 能力但能开 subagent 就用 subagent
走同样流程。
- 自检（兜底）：当前 agent 都没有上述能力，就自己严格逐项
核查 —— 不允许目测一遍就放行。
铁律：拿到结论后先按 fail 项把产出改完，再向用户汇报"做完了
- 自检结论 + 改了什么"。直接拿原始结论汇报但不修复 = 违规。
各阶段文件读取指南
不同阶段读不同的文件。长会话里 agent 容易遗忘原则，特别是
Phase 2.4 的"实现单章"会重复 N 次 —— 每次都要回看核心约束。
| 阶段 | 必读（每次都看） | 一次性看完 / 按需查 |
|---|
| Phase 1.1-1.2 内容编写 | references/SCRIPT-STYLE.md + references/OUTLINE-FORMAT.md + article.md（用户原文，如有） | —— |
| Checkpoint Plan 选主题 | —— | themes/*/theme.json（动态读全部，列清单 + bestFor 推荐 + descriptionZh）；references/THEMES.md（用户想了解主题系统时） |
| Phase 2.1 脚手架 | —— | SKILL.md 本节看一次 |
| Phase 2.4 实现单章（×N 次，被 2.2 / 2.3 调用） | references/CHAPTER-CRAFT.md 单一入口 —— Part 0 十条原则 / Part 1 开工 5 问 / Part 2 关系→动作决策树 / Part 3 视觉工具箱 / Part 4 时长参考 / Part 5 反 AI 味反模式 / Part 6 代码硬规则（含 narrations.ts 强制约束）/ Part 7 完工自检 / Part 8 反馈速查 + 当前主题的 themes/<id>/theme.json + 当前章节的 outline.md 段落 + article.md 本章对应段落 + 素材清单 | references/EXAMPLES/（结构示意，不是抄袭模板）；references/THEMES.md 完整 token 契约 |
| Phase 3 音频合成 | references/AUDIO.md（含 narrations.ts → segments.json → 任意 provider 流程，内置 minimax + openai） | templates/scripts/tts-providers/README.md（换 provider / 自带 TTS 时） |
| Phase 4 录屏 + 后期 | references/RECORDING.md（含 ?auto=1 自动录屏） | —— |
| 选 / 造 / 切主题 | —— | references/THEMES.md |
写章节时只读一份 CHAPTER-CRAFT.md。十条原则 / 开工 self-prompting /
决策树 / 反 AI 味反模式 / 完工自检全部并入这一份单一入口。EXAMPLES/
不是必读 —— 先按内容自由设计，卡壳才翻（按 anchor 翻"形"，不要照搬）。
Phase 1 —— 内容编写（一次产出）
1.1 识别用户输入
| 用户给的东西 | 该做的 |
|---|
| 原始文章（书面语 / 公众号 / 论文 / 博客） | 一次产出 script.md + outline.md（1.2），过 Checkpoint Plan |
| 直接的口播稿 / 视频脚本 | 落盘成 script.md，一次产出 outline.md（1.2 简化版），过 Checkpoint Plan |
| 啥都没有，只说"帮我做个 X 主题的视频" | 反问：先给一段素材或大纲。Skill 不替用户构思内容 |
1.2 一次产出 script.md + outline.md
| outline 必须写 | outline 不要写 |
|---|
| 章节切分 / 每章 step 数 / 估时 | 具体动画类型（blur clear / wipe / 弹簧） |
| 每步屏幕内容（hero / 数据 / 标语 / 列表项） | CSS 实现手段（filter / SVG / clip-path） |
| 章节级信息池：从 article 抽的数字 / 引用 / 案例 / 标签 | 时长数值（不写 2.5s / 80120ms） |
| 步级关系名前缀（"反差对照" / "递进列表" / "金句" 等可选 hint） | 持续微动 / 错峰量等微观节奏 |
落盘后必须先走自检再进 Checkpoint Plan：按上文「硬性自检协议」分别
对 script.md / outline.md 执行（优先 Agent Teams → subAgent → 自检），
按结论修复完成后再进入 Checkpoint Plan。
Checkpoint Plan —— 5 件事一次对齐（硬节点）
script.md + outline.md 写完后必须停下来。用户在这一个节点同时确认
5 件事。
agent 此时要做的预备工作
- 读所有
themes/*/theme.json 拿 nameZh / descriptionZh / bestFor
/ mood —— 不要硬编码清单
- 根据
script.md 的内容类型 / 关键词 / 语气，主动从主题里挑 2~3
套最匹配的推荐（匹配 bestFor 字段）
- 扫一遍
outline.md 末尾"素材清单"部分
总结模板（骨架，agent 按情况填充）
内容计划写完，产出文件：
📄 article.md {若用户给原文则保留}
📄 script.md {X} 字 / ~{T} 分钟
📄 outline.md {N} 章 / {M} 步 + 每章信息池 + 末尾素材清单
章节速览：
1. <id> <章节标题> <S> 步 ~<T>s
2. ...
接下来一次对齐 5 件事：
1. 稿子 (script.md) 要不要改？
可以直接编辑文件，或口头告诉我修改方向。
2. 开发计划 (outline.md) 要不要改？重点看：
- 章节切分 / step 数 / 估时是否合理（合理判断：每章 30~60s）
- 每步屏幕内容是否清晰
- 每章首段「信息池」是否有足够的 article 细节供画面挂
- 末尾素材清单是否完整
3. 选哪个主题？我的推荐：
★ <推荐 1：nameZh (id)> — 因为 <bestFor 命中>；<descriptionZh 摘要>
★ <推荐 2 / 推荐 3>
其它可选：<剩余主题，nameZh + 一句话>
也可以让我帮你做新主题（详见 references/THEMES.md）。
4. 真素材怎么准备？粗看本视频要的图：<列粗略清单>
a) 我从 <现有素材路径> 帮你挑 b) 你自己提供 c) 全部 placeholder
5. 开发模式选哪个？
**第 1 章无论哪种模式都必须主线程做完 + 用户验收**（强制 anchor）。
差异在第 2 章及之后：
A) 默认 · 逐章确认（推荐）
每章做完都暂停验收 → 风险可控 / 节奏最稳
B) 第 1 章后顺序开发（不并行）
第 2~N 章主线程顺序做完后统一验收 → 速度中 / 适合 agent 不支持并行
C) 第 1 章后并行开发（subagent）
第 2~N 章用 subagent 并行 → 最快 / 用户控并行数（一次几章）
⚠️ 风格各章会有差异（这是预期，主题禁区兜底）
- 稿子 / outline 要改：直接编辑文件，编辑完 ping 一次（或口头描述 agent 改）
- 主题必须明确才进入 Phase 2。用户说"主题你帮我选" → 取你推荐的第 1 个，
告诉用户你选了什么、为什么，给反悔机会
- 模式选定 → 进 Phase 2
Phase 2 —— 网页开发
2.1 脚手架
bash <path-to-web-video-presentation>/scripts/scaffold.sh \
./presentation \
--theme=<用户选的主题 id>
bash <path-to-web-video-presentation>/scripts/scaffold.sh --list-themes
脚手架带一个 01-example demo。在写第一章真实内容前删掉：
rm -rf presentation/src/chapters/01-example
并把 presentation/src/registry/chapters.ts 里 EXAMPLE_CHAPTER
的 import 和数组项移除。
2.2 第 1 章 —— 主线程 + 强制验收
核心：第 1 章 = 完整版本一次到位（节奏 + 视觉 + 真素材齐全）。
没有"骨架版"概念 —— 第一章就要做出用户能直接验收的样板。
- 它是
CHAPTER-CRAFT.md 这套指引在当前
主题 + 当前题材下的第一次落地
- 如果指引有盲区 / 主题颜色 / 字体 token 不够用，第 1 章一定会暴露 ——
这时候有人类反馈就能修指引 / 调主题，早改成本最低
- 后续章节（无论顺序 / 并行）都要参考第 1 章的代码模式，所以第 1 章 =
当次项目的"风格锚点（不强求章节间一致，但单章自身得有完整说服力）"
第 1 章 <id> 做完了，dev server 在 localhost:5173 运行。
验收重点：
□ 视觉气质对不对？符合 <theme nameZh> 的预期吗？
□ 节奏对不对？某些步太快 / 太慢 / 信息太薄？
□ 内容驱动动画是否到位？还是有几步是无脑入场动画？
□ 双源原则：屏幕画面有没有"口播没念但 article 能挂"的细节？
□ 反 AI 味检查：紫粉渐变 / 圆角彩色边框 / 假插画 / emoji 是否有？
问题告诉我，我针对性改。OK 了告诉我"继续"，我按选定模式做第 2 章及之后。
2.3 第 2~N 章 —— 按选定模式
所有模式下的共同规则：每章独立按 CHAPTER-CRAFT.md
开发。风格不强求章节间完全一致 —— 主题颜色 / 字体 token 兜底视觉
统一，动画 / 节奏 / 视觉演示由章节自由发挥是设计预期。
模式 A · 默认 · 逐章确认
第 2 章做完 → 暂停验收 → OK → 第 3 章 → 暂停 → ... → 第 N 章。每章
独立验收，问题随时改，风险最低，节奏最稳。用户不明确选模式时
默认走这个。
模式 B · 第 1 章后顺序开发
第 2 章 → 第 3 章 → ... → 第 N 章 主线程顺序做完，最后统一验收。
速度中等，适合 agent 不支持并行任务的环境。
模式 C · 第 1 章后并行开发（subagent）
用 subagent 把第 2~N 章并行做完，最大并行数由用户控制（"一次 4 章"
/ "一次 2 章"）。最快，但风格各章会有差异 —— 这是预期，因为：
- 每个 subagent 看不到别的 subagent 产出，无法机械对齐
- 章节代码物理分离（每章一个文件夹 / 自己的 CSS 前缀），不会互相
破坏
- 主题 token 兜底视觉统一（颜色 / 字体 / hero 数字 / 卡片 / 分割线
性格 / 装饰），气质不会跑偏
- 风格不一致 = 人手写视频的呼吸感（多 voice / 多视角）
并行 subagent 的 prompt 必须包含：
- 当前章节 outline 段落（含信息池）
references/CHAPTER-CRAFT.md 的路径（单一必读 —— 视觉演示要求 +
逐步揭示 + 双源原则 + 反 AI 味 + 代码红线 + 完工自检全部在这一份里）- 当前主题
theme.json 的 descriptionZh / mood / bestFor（参考气质
即可，动画 / 时长 / 字号 / emoji 由 chapter agent 自由决定）
- 第 1 章代码作为"代码风格"参考（不是"视觉抄袭对象"）
- 硬规则：每章独立 CSS 前缀（
.cd- / .mg- / .pm- / ...）；
不修改 chapters.ts；完工跑 npx tsc --noEmit
重要：无论选哪种模式，用户随时可以中途切换模式。第 2 章 OK
后用户说"剩下的并行" / "剩下的逐章" 都行。
2.4 实现单章（每章必走）
核心要点（CHAPTER-CRAFT.md 详述）：
- 每章必须有 CSS / SVG / Canvas / JS 视觉演示，禁纯文字章节
- 逐步揭示：清单 / 列表必须 1 项 = 1 step，禁一次全展示
- 双源原则：节奏跟口播稿（顺序不能乱），细节回原文章抽（信息池 +
本章 article 段落）
- 完工自检逐项过，不达标回去改 —— 按上文「硬性自检协议」执行
（优先 Agent Teams → subAgent → 自检），改完再向用户汇报本章交付
2.5 大改后 bump STORAGE_KEY
改动 chapters.ts（增加 / 删除 / 重排章节，或某章 narrations.ts
长度变化）后，bump presentation/src/hooks/useStepper.ts 的
STORAGE_KEY（如 v4 → v5），避免持久化游标落到不存在的 step 上。
Checkpoint Audio —— 是否合成音频（硬节点）
网页做完，{N} 章 {M} 步，dev server 在 localhost:5173 跑着。
要不要合成音频做"自动播放录屏"？
✓ 合成 → 扫所有章节的 narrations.ts 出 audio-segments.json，
调 TTS provider 合成每步一个 mp3 到 public/audio/。
合成完后用 ?auto=1 模式可以一镜到底录屏（音视频天然同步）。
内置两个 provider：
• minimax (mmx-cli) —— 默认，中文音色稳
• openai (OPENAI_API_KEY) —— curl-based，多数已有 key
其它后端 (ElevenLabs / edge-tts 免费 / macOS say 离线 /
Azure / Google) 见 scripts/tts-providers/README.md 的现成片段。
✗ 不合成 → 跳过 Phase 3，直接 Phase 4 用手动录屏 + 后期配音。
要合成 → Phase 3。不合成 → 直接 Phase 4。
Phase 3 —— 音频合成（可选）
cd presentation
npm run extract-narrations # 扫所有 narrations.ts → audio-segments.json
# 让用户扫一眼 audio-segments.json 确认文本对
npm run synthesize-audio # 默认 minimax provider，增量
# 或用内置 openai (要 OPENAI_API_KEY):
PRESENTATION_TTS=openai npm run synthesize-audio
# 或自定义：写一个 scripts/tts-providers/<name>.sh，见该目录的 README.md
合成完告诉用户：输出位置 / 总段数 / 哪些段时长异常（太长 = 该 step 拆
分；太短 = 文案太薄）—— 给最后一次校准节奏的机会。然后进入 Phase 4。
Phase 4 —— 录屏 + 后期
| 场景 | 推荐路径 |
|---|
| Phase 3 已合成音频 | Auto 模式一镜到底：浏览器开 localhost:5173/?auto=1 → 按 SPACE → 整片自动播完 → 停录 → 裁头尾即成片，无需后期对音轨 |
| Phase 3 跳过 | 默认 Manual 模式手动点击推进 → 后期任意剪辑工具配音 |
agent 在 Phase 3 / Checkpoint Audio 后主动告诉用户适合的录屏路径。
十条原则（一句话清单）
| # | 原则 | 一句话 |
|---|
| 1 | 16:9 固定舞台 | 内容 1920×1080 + transform scale，没有响应式 |
| 2 | 全局 step 计数器 | 章节是 step 的纯函数，无定时器 |
| 3 | 每步独占整屏 | if (step === N) return <FullScene /> |
| 4 | 口播节拍 = step | 一节拍 = 一 step = 一聚焦想法 |
| 5 | 隐藏的边角控件 | 进度条 / 翻页器默认 opacity 0 |
| 6 | 舞台无 chrome | 没有 header / footer / 页码 / 品牌条 |
| 7 | 内容驱动动画 | 先找内在动作，找不到才入场动画兜底；持续微动慎用 |
| 8 | 多点逐个揭示 | 1 项 = 1 step，禁同步 stagger 上 N 项 |
| 9 | 整片同一主题 | 章节间不翻表面色；颜色 / 字体走 token，其它尺度章节自由 |
| 10 | 双源原则 | script 定节拍，article 定画面密度（落到信息池） |
常见用户反馈速查
相关资源
Short design-led motion graphics, such as kinetic type, stat count-ups and chart reveals, built as HTML and rendered to video.
references/EXAMPLES/hook-chapter/chapter.tsx
4 KB
