在实际视频编辑工作流中，剪辑师往往需要反复在时间线上拖动、剪切、调整，这个过程既耗时又需要一定的专业技能。有没有一种方法，能让开发者或内容创作者通过自然语言描述，就自动完成视频的粗剪、调色、加字幕等重复性工作？这正是 browser-use/video-use 项目试图解决的问题。它是一个开源的、基于代码智能体（Coding Agent）的视频编辑工具，核心思想是让 LLM（如 Claude Code）来“阅读”视频的文本化信息（如逐字稿、时间戳），并驱动脚本完成编辑，而非让 AI 直接“观看”视频。对于需要批量处理视频素材、制作教程或快速产出社交媒体内容的开发者来说，这意味着可以将创意描述转化为可执行的编辑指令，从而将精力集中在内容本身而非软件操作上。本文将带你深入理解 video-use 的工作原理，从零开始完成环境搭建、技能配置，并运行一个完整的视频编辑示例。你将看到如何将原始视频素材放入文件夹，通过聊天指令让智能体分析、剪辑并输出成品。我们还会剖析其背后的“文本优先、按需可视化”设计哲学，解释关键配置参数，并梳理在实际使用中可能遇到的常见问题及排查路径。无论你是想探索 AI 辅助创作的新范式，还是希望为自己的项目集成自动化视频处理能力，这篇文章都将提供一份可复现的实践指南。1. 理解 video-use 的核心机制：为什么是“阅读”而非“观看”在接触具体操作前，必须先理解 video-use 的设计基石。传统基于 AI 的视频理解模型通常需要将视频帧解码为图像序列再输入模型，这个过程会产生巨大的计算和 token 开销。对于一个 1 分钟、30fps 的视频，就是 1800 帧图像，如果每帧用 1500 个 token 描述，总 token 数将高达 270 万，这既不经济也不高效。video-use 采用了截然不同的思路，其核心机制分为两层，共同为 LLM 提供了精确到词语边界进行剪辑所需的一切信息，而无需“观看”原始视频。1.1 第一层：音频转录文本（始终加载）这是 LLM 主要的“阅读”视图。video-use 会为每个视频源调用 ElevenLabs 的 Scribe API（或其他转录服务），生成包含以下关键信息的结构化文本：逐词时间戳：每个词语精确的开始和结束时间。说话人分离：区分视频中不同的讲话者（如 S0, S1）。音频事件标记：识别出非语音内容，如(laughter)、(applause)、(sigh)。所有这些转录结果会被压缩、打包成一个名为takes_packed.md的单一文件，通常只有约 12KB 大小。LLM 通过阅读这个文件，就能完全理解视频的音频内容结构。## C0103 (duration: 43.0s, 8 phrases) [002.52-005.36] S0 Ninety percent of what a web agent does is completely wasted. [006.08-006.74] S0 We fixed this.代码块示意：takes_packed.md文件片段。它清晰地标明了片段 ID、时长、以及每句话的精确时间范围和说话人。1.2 第二层：视觉合成视图（按需生成）当 LLM 基于文本信息做出剪辑决策，但在某些关键点（如模糊的停顿、不同条素材的对比、剪切点合理性检查）需要视觉参考时，才会触发此层。timeline_view脚本会为指定的时间范围生成一张合成 PNG 图片，这张图通常包含：视频帧缩略图（Filmstrip）：按时间间隔抽取的关键帧。波形图（Waveform）：对应时间段的音频波形，直观显示音量大小和静音区间。词语标签：在时间轴上标注出转录文本中的关键词。这个“按需生成”的策略，避免了海量帧数据的处理，仅在决策点提供必要的视觉上下文，极大地提升了效率。1.3 工作流程与自评估循环理解了输入信息的形式，我们再看 video-use 的完整处理管道（Pipeline）：Transcribe（转录） - Pack（打包） - LLM Reasons（推理） - EDL（生成编辑决策列表） - Render（渲染） - Self-Eval（自评估） │ └─ 发现问题？ - 修复并重新渲染（最多3次）转录与打包：将原始视频转为结构化的takes_packed.md。LLM 推理：你向智能体（如 Claude Code）发出指令（如“将这些剪辑成一个发布会视频”），智能体阅读takes_packed.md，制定剪辑策略并征求你的确认。生成 EDL：智能体生成一个编辑决策列表（Edit Decision List），这是一个文本文件，精确描述了从哪个源文件的哪个时间点，剪切到哪个时间点。渲染：video-use 调用ffmpeg，根据 EDL 执行实际的视频剪切、拼接、调色、添加字幕和动画覆盖层。自评估：这是保证输出质量的关键。渲染完成后，系统会在每一个剪切点自动调用timeline_view检查输出视频。它会检测视觉跳跃、音频爆音、字幕错误等问题。只有通过了自评估检查的视频，才会呈现给你预览。如果发现问题，系统会尝试自动修复并重新渲染，最多循环3次。这个机制确保了最终输出具备“生产正确性”（Production-correctness），例如30毫秒的音频淡入淡出避免爆音、颜色分级一致等硬性规则会被严格遵守。2. 环境准备与依赖安装要让 video-use 运行起来，需要准备一个兼容的代码智能体运行环境、必要的系统工具和 API 密钥。以下步骤以 macOS/Linux 环境为例，Windows 用户可以通过 WSL 或相应包管理器（如 Chocolatey）安装对应工具。2.1 前置条件检查在开始前，请确保你的系统满足以下基本要求：组件要求检查命令备注Python3.9+python3 --version推荐使