ffmpeg-skill：让编程 Agent 能本地调用 FFmpeg 剪视频的开源工具包
ffmpeg-skill 是什么
ffmpeg-skill 是一个开源的 Agent Skill，专为能写代码的 AI 助手（比如 Claude Code、Cursor 或早期 Codex）设计。它的目标很明确：让这些编程 Agent 能像专业剪辑师一样，在用户的本地机器上调用 FFmpeg 处理视频，而不需要把文件上传到云端或调用付费 API。
这个工具包内置了 28 个结构化的命令行工具，覆盖了从视频分析、剪辑、音频处理、字幕烧录到最终交付质检的完整链路。更重要的是，它强制 Agent 遵循一套固定的四步工作流：先探测（probe）素材参数，再编辑（edit），接着检查（check），最后验证（validate）。这套流程避免了 AI 盲目猜测参数导致的翻车操作。
所有处理都在用户自己的电脑上完成，依赖的是本地已安装的 FFmpeg。这意味着零网络传输、零 API 费用，也更保护隐私。项目作者实测了 72 个真实的剪辑任务，全部一次性通过。安装也极其简单，只要在终端里运行 npx ffmpeg-skill，就能自动集成到支持的编程 Agent 中。
核心功能拆解
ffmpeg-skill 的 28 个工具被分成了五大类，每类解决视频处理中的一个关键环节。
分析与探测
在动手剪之前，得先搞清楚素材是什么样。probe 工具会读取视频的元数据，包括时长、帧率（甚至能识别可变帧率 VFR）、分辨率、HDR 格式、音轨数量等。这些信息是后续所有操作的基础。
scenes 则更进一步，它能自动检测场景切换点。比如一段两小时的会议录像，它可以标出每次镜头切换或画面内容突变的时间戳，为生成高光片段提供依据。
为了让 AI “亲眼”看到画面效果，look 工具会生成联络表截图（contact sheet），把视频的关键帧按网格排列成一张图。这样 Agent 就能通过图像判断是否出现了黑屏、模糊或构图问题。
最后，doctor 用于环境自检。它会扫描本机 FFmpeg 的编解码器、滤镜和协议支持情况，确认所有需要的功能都可用。如果缺了某个组件（比如 xfade 转场滤镜），它会明确告诉你该装什么。
剪辑与重组
真正的剪辑操作从这里开始。cut 支持无损剪切——它优先使用 stream copy 模式，只裁剪指定时间段，不重新编码视频流，因此速度极快且画质无损。
join 负责把多段视频拼接起来。它不仅支持简单的顺序连接，还能应用 xfade 滤镜实现淡入淡出、滑动等转场效果。
对于播客或访谈类内容，silence 特别实用。它能自动识别并删除低于阈值的静音段，一键生成跳剪（jump cut）视频，把几小时的内容压缩成几分钟精华。
fit 解决了竖屏适配的痛点。你可以让它把横屏视频智能拉伸、裁剪或加黑边，以完美填充 9:16 的手机屏幕，同时尽量保留主体内容。
此外还有 stabilize（防抖）、reverse（倒放）等基础但高频的功能。
音频优化
视频的听感同样重要。audio 工具集成了降噪、动态压缩、限幅和噪声门限，能一站式清理人声录音中的杂音并提升清晰度。
sync 专门处理音画不同步的问题。它会分析音轨和视频的时间戳，自动校正因设备漂移导致的偏差。
最专业的可能是 loudness。它严格按照 EBU R128 国际标准，将音频响度标准化到 -14 LUFS，确保视频在 YouTube、TikTok 等平台播放时音量一致，不会忽大忽小。
画面增强与图形
caption 可以把 SRT 或 ASS 字幕文件直接烧录进视频，也支持卡拉 OK 式的逐字高亮歌词。
overlay 用于添加水印或做绿幕合成（chroma key），适合品牌露出或虚拟背景替换。
graphics 能动态生成字幕条（lower third）、进度条、章节标记等图形元素，并叠加到视频上。
color 处理色彩相关操作，比如将 HDR 视频转换为 SDR 兼容格式，或者应用 LUT 文件进行专业调色。
交付与工程化
处理完还不算完，得确保成品符合平台要求。export 内置了 YouTube、Instagram Reels、TikTok 等主流平台的导出预设，一键生成合规文件。
check 则是对输出文件做自动质检。它会根据平台规格（如分辨率、码率、音频通道数）给出 PASS/WARN/FAIL 评级，并生成详细的 HTML 报告。
对于复杂项目，render 可以读取 project.json 工程文件，按定义的步骤批量执行整个剪辑流程。
batch 支持对多个输入文件并行处理，并带有缓存机制——如果某个文件已经处理过且源文件未变，就直接跳过，节省时间。
最后，multicam 能自动对齐多机位素材的时间轴，并根据音频相似度或手动标记点进行智能切换合成，适合会议、演出等多角度录制的场景。
如何上手使用
安装非常简单。打开终端，确保已安装 Node.js 和 FFmpeg，然后运行：
npx ffmpeg-skill这条命令会自动下载 skill 并注册到本地 Agent 环境中。接着建议先运行环境检查：
npx ffmpeg-skill doctor如果提示缺少某些 FFmpeg 组件（比如 libx264、libfdk_aac 或 xfade 滤镜），按提示用 Homebrew（macOS）、apt（Linux）或 Chocolatey（Windows）安装即可。
之后，你就可以在 Claude Code 或 Cursor 的对话框里用自然语言描述需求了。例如：“把 interview.mp4 里所有静音超过 1 秒的部分删掉，统一响度到 -14 LUFS，最后导出成 TikTok 竖屏格式。”
Agent 会先调用 probe 分析文件，再用 silence 剪辑，接着 loudness 调整音频，最后用 export 按 TikTok 预设输出。过程中任何画面改动都会触发 look 生成截图供 AI 自检，确保没有意外裁剪或黑屏。
为什么选择 ffmpeg-skill
相比其他 AI 视频工具，ffmpeg-skill 有几个明显优势：
- 纯本地运行：所有处理都在你的机器上完成，文件不出本地，没有隐私泄露风险，也不产生 API 费用。
- 无损优先：像剪切、拼接这类操作，默认使用 stream copy，避免不必要的重编码，既保画质又省时间。
- 工作流固化：强制“探测→编辑→检查→验证”流程，大幅降低 AI 因信息不足而犯错的概率。
- 视觉验收机制：AI 不再只靠元数据判断，而是通过
look生成的截图“看”画面，更接近人类剪辑师的工作方式。 - 工程化支持：通过
project.json和batch，可以管理复杂项目并批量处理，适合课程录制、会议后制等重复性高的场景。 - 安全设计：默认只读原文件，输出新文件；危险操作（如覆盖原片）会被拒绝，除非显式授权。
与竞品的差异
目前市面上另一个较知名的类似工具是 claude-code-video-toolkit。两者定位不同：
claude-code-video-toolkit 是一个全栈视频生产套件，除了剪辑，还集成了 AI 生成视频、图像、语音等功能，架构上采用多 skill 插件模式，部分处理依赖云端 GPU（如 Modal 或 RunPod）。
而 ffmpeg-skill 更专注——它不做内容生成，只做本地剪辑执行。它把 FFmpeg 的能力封装成 28 个契约清晰的工具，每个都有明确的输入输出 schema，便于与 MCP（Model Context Protocol）等系统集成，不会因为版本更新导致接口漂移。
在剪辑深度上，ffmpeg-skill 对无损处理、响度标准、平台质检等专业细节投入更多。比如它的 check 工具能精确判断一个 MP4 是否符合 YouTube 的 H.264 profile 要求，而竞品更多依赖人工审核节点（scene-review）。
实际应用场景
- 播客自动精剪：把几小时的 Zoom 录音交给 Agent，自动删静音、跳气口、统一响度，一小时粗剪几分钟搞定。
- 长视频拆条分发：将 YouTube 长视频自动切成多个 60 秒高光片段，烧录字幕、转 9:16 竖屏，分别按 TikTok、Reels、Shorts 预设导出，实现矩阵分发。
- 课程批量后制：处理一周的网课录像：多机位切换、音画对齐、降噪、加字幕条和进度条，批量渲染并附带 HTML 质检报告。
- Vlog 快速出片：对 Agent 说“把今天 GoPro 拍的滑雪素材剪成 3 分钟 vlog”，它会自动探测各片段参数、防抖、按场景挑高光、配乐导出。
这些场景的共同点是：任务明确、流程重复、对效率要求高。ffmpeg-skill 正是为这类需求而生——把专业视频处理的能力，通过编程 Agent 的自然语言接口，交到普通用户手中。