【免费下载链接】libtv-skills项目地址https://gitcode.com/gh_mirrors/li/libtv-skills点击查看免费下载libtv-skills是一组面向 AI Agent 的技能包用于调用 LibLib.tv 的 AI 生图、AI 生视频能力覆盖「发送创作指令 → 追踪生成进度 → 批量下载结果」的完整工作流。本文以增量轮询为核心带你掌握高效追踪 AI 生成进度的关键技巧少走弯路。为什么「增量轮询」是进度追踪的核心AI 生图、生视频都是异步任务指令发出后后端 Agent 负责理解需求、拆解分镜、编排工作流耗时从几秒到几分钟不等短剧、MV 等复杂任务甚至更久。这期间如何追踪进度常见做法有两个坑轮询太频繁每次全量拉取消息列表重复获取历史消息浪费 API 调用与带宽还会让 Agent 反复处理相同内容轮询太稀疏或死等用户体验差任务真正完成后迟迟无法感知libtv-skills 给出的答案是增量拉取会话中的每条消息都有单调递增的seq序号只要记住上次处理到的位置下次就只取「新消息」。快速认识 libtv-skills 的核心脚本技能主体位于skills/libtv-skill/目录脚本全部只依赖 Python 标准库无需安装额外依赖脚本作用create_session.py创建会话 / 发送生图、生视频指令query_session.py查询会话进展支持增量拉取download_results.py批量下载会话中生成的图片 / 视频change_project.py切换当前 accessKey 绑定的项目upload_file.py上传参考图 / 视频返回 OSS 地址_common.py公共模块鉴权、HTTP 请求、API 封装技能描述与使用规范见 SKILL.md。使用前只需设置环境变量LIBTV_ACCESS_KEY鉴权方式为Authorization: Bearer请求头脚本即可正常工作。增量拉取机制揭秘一个参数搞定增量能力由query_session.py的--after-seq参数提供其定义为# 只返回 seq 大于 N 的新消息N 取上次拿到的最大 seq python3 skills/libtv-skill/scripts/query_session.py SESSION_ID --after-seq 5参数实现见 query_session.py#L29-L34。它最终映射到 OpenAPI 的afterSeq查询参数底层封装在 _common.py#L87-L96细节提示代码中只有afterSeq 0时才会拼接到请求 URL 上因此首次查询可以直接用--after-seq 0拉全量消息。接口层面GET /openapi/session/:sessionId配合可选参数afterSeqint只返回 seq 大于该值的消息即可实现低成本的增量同步。三步完成一次增量轮询第一步创建会话拿到 sessionIdpython3 skills/libtv-skill/scripts/create_session.py 生一个动漫视频返回 JSON 中包含sessionId、projectUuid和projectUrl项目画布链接其中sessionId 是后续所有轮询的钥匙。第二步首次全量拉取记录最大 seqpython3 skills/libtv-skill/scripts/query_session.py SESSION_ID --after-seq 0返回的messages数组中找到最后一条消息的 seq 值并记下例如5。这一步相当于「对齐基线」。第三步后续只取增量逐次推进python3 skills/libtv-skill/scripts/query_session.py SESSION_ID --after-seq 5每轮只处理返回的新消息并把最大 seq 更新为新一轮的基准如此循环。这样无论任务跑多久每次网络传输和 Agent 处理的都是「增量部分」成本恒定。轮询参数速查表间隔、超时与重试SKILL.md 中明确给出了一套经过验证的轮询策略见 SKILL.md#L158-L164可直接照抄策略项推荐值说明轮询间隔每 8 秒一次兼顾响应速度与 API 压力增量拉取首次--after-seq 0后续用上次最大 seq避免重复获取已处理消息超时兜底连续 3 分钟无结果停止轮询引导用户通过项目画布链接稍后查看错误重试单次失败重试 1 次连续 3 次失败则停止防止网络抖动导致的死循环README 的「最佳实践」部分也再次强调了增量轮询的重要性详见 README.md#L308-L313。如何判断「生成完成」轮询的本质是等待一个明确信号messages中出现assistant角色的消息且 content 里包含图片或视频的 URL。此时任务即完成接着做两件事自动下载python3 skills/libtv-skill/scripts/download_results.py SESSION_ID --output-dir 目录 --prefix 前缀可自动从会话中提取所有结果 URL 并批量下载双重展示同时向用户给出结果链接与projectUrl项目画布链接方便在线查看完整创作过程小贴士生成过程中只告诉用户「正在生成中」即可任务完成后再展示画布链接体验更自然。四个避免踩坑的最佳实践永远推进 seq每轮处理完就更新基准值切勿每次全量拉取复杂任务别死等短剧、MV 耗时较长超时后交给画布链接兜底不要无限轮询任务隔离多项目并行时用 change_project.py 切换绑定项目避免上下文串扰原样传话用户侧 Agent 只负责「上传 → 传话 → 取件」不要自行扩写 prompt 或拆分任务后端 Agent 对模型能力的编排远比本地更专业完整工作流回顾create_session.py 发送指令 ↓ 获得 sessionId projectUuid query_session.py --after-seq N 每 8 秒增量轮询 ↓ assistant 消息中出现结果 URL → 完成 download_results.py 批量下载到本地 ↓ 向用户展示本地文件 项目画布链接总结libtv-skills 把 AI 生图 / 生视频的进度追踪简化为一句话用--after-seq做增量拉取每 8 秒轮询一次看到结果 URL 即完成。配合 3 分钟超时兜底与失败重试策略就能在成本、体验与稳定性之间取得最佳平衡。掌握这套增量轮询策略后无论是新手还是普通用户都能让 AI Agent 平稳、高效地跟进每一次 AI 生成任务。赞分享【免费下载链接】libtv-skills项目地址https://gitcode.com/gh_mirrors/li/libtv-skills点击查看免费下载相关推荐如何高效追踪Elsevier期刊审稿进度实用操作指南如何高效追踪Elsevier期刊审稿进度实用操作指南 学术投稿过程中的等待往往令人焦虑Elsevier Tracker工具通过智能化的状态监控机制为科研人科研如何高效追踪学术投稿进度Elsevier Tracker完整使用教程如何高效追踪学术投稿进度Elsevier Tracker完整使用教程 作为科研工作者你是否经常为论文投稿后的漫长等待而焦虑每天反复登录投稿系统查看审稿状态科研HiDT 论文精读CVPR 2020 Oral《无需域标签的高分辨率昼夜转换》核心贡献梳理HiDT 论文精读CVPR 2020 Oral《无需域标签的高分辨率昼夜转换》核心贡献梳理 HiDT 是一篇来自 CVPR 2020 的 Oral 论文《Hi创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考