案例 4｜AI vibe colding：智能视频制作工具集

一、项目背景：从内容中台到视频制作自动化

在过往的内容中台与系统产品实践中，我反复遇到一个问题：

• 内容结构复杂，但视频制作流程依然依赖大量手工操作
• 从录屏到剪辑，中间存在大量重复性工作
• 不同角色对视频内容的使用方式差异很大，但工具缺乏灵活性

当我开始系统性学习并使用 AI 后，我意识到：

AI 在视频生成上的价值， 远不如它在"流程编排与自动化"上的价值。

在寻找解决方案的过程中，我发现了开源项目 jianying-editor-skill。

这个项目的核心思路是：剪映的草稿文件本质上是 JSON 结构，可以通过编码的方式进行视频编辑，

这意味着视频编辑可以程序化、可以模板化、可以自动化。

经过试用，我发现这个项目很不错，但真正要让我用起来，还需要做一些定制化改进。

于是我做了两个关键改动，让它完全适应我的使用场景。

二、核心判断：视频制作的核心不是"剪辑"，而是"流程编排"

基于内容中台的经验，我在这个项目中很快做出了一个判断：

视频制作的核心难点，不在于"如何剪辑"， 而在于"如何将素材与内容进行结构化关联"。

开源项目已经解决了"编码编辑"的问题，但真正要让我用起来，还需要解决两个问题：

• 录屏工具需要适应实际使用场景：原功能只能全屏录制，我需要支持窗口和区域录制
• 需要建立模板系统来保证稳定输出：精细的素材和字幕关系靠自然语言还是有点难，需要建立可复用的模板

因此，这个项目的核心设计理念是：

• 不关心时长：素材显示时长完全由字幕决定，简化用户操作
• 灵活的关联模式：支持一对一、多对一、一对多等多种关联方式
• 模板化输出：建立可复用的视频处理模板，实现稳定输出和快速迭代
• 自动化剪辑：关联完成后一键生成剪映草稿

这一步，让视频制作具备了结构层面的灵活性。

三、产品设计：智能素材编排工具

在这个项目中，我基于开源项目做了以下核心改进：

1. 录屏工具定制化改进（第一个改动）

开源项目有一个很棒的功能，叫智能录屏，也就是录完屏幕后可以把关键帧也打上去，省得自己打关键帧了。

但是原功能只能全屏录制。对于我来说，桌面一堆杂七杂八，所以改成了支持窗口和区域录制，

这样的好处是，我想录制哪里就可以去哪里。

在这个改动中，我还做了以下优化：

• 支持导入已有剪映草稿（原功能不支持）
• 支持没有麦的电脑录制功能
• 为了省 token，将这个工具打包成独立应用，这样收集素材的时候，我就可以单独唤醒了

这一步，让录屏工具具备了适应实际使用场景的灵活性。

2. 素材关联编排

在此基础上，我进一步设计了素材关联编排工具：

• 基于剪映字幕文件（SRT）进行素材关联
• 支持多种关联模式：一对一、多对一、一对多
• 可视化界面，拖拽操作即可完成关联
• 支持多种布局模式：全屏、画中画、分屏等

这一步，让素材编排具备了系统层面的灵活性。

3. 模板系统建立（第二个改动）

在作者的演示中，都是直接和 AI 沟通来进行视频的制作。但是，如果比较精细的素材和字幕关系靠自然语言，我觉得还是有点难，

还有就是基本的视频剪辑其实我是希望产出的稳定的，也就是我希望建立一个模板来进行的。

在初步完成后，我再通过自己调整或 AI 对话来进行精修。

我的解决方案是：

• 手动进行字幕和素材的对应：这种对应只要简单的对应上就行，我不管时间轴是否时间能对得上。我只是将字幕和素材建立上关系。
• 建立模板系统：将 AI 推荐或者我调试后的视频素材处理方式形成模板，这样在剪辑的时候，我做完字幕和素材的对应关系后，选择模板直接通过 Python 就直接生成了草稿。

这一步，让视频制作具备了稳定输出和快速迭代的能力。

四、技术实现：基于剪映生态的自动化

这是一个基于开源项目的二次创作实践，具备以下明确边界：

• 完全本地化运行，不依赖订阅制服务
• 基于剪映现有能力（录音转字幕、草稿格式等）
• 面向非技术背景用户
• 聚焦视频制作从 0 → 1 的完整路径

在这个项目中：

• 基础框架基于开源项目 jianying-editor-skill
• 录屏工具改进使用 Python + GUI 实现
• 素材编排工具使用 Electron + React 实现
• 剪映草稿生成基于 pyJianYingDraft 库
• 模板系统通过 Python 脚本实现快速生成

技术栈的选择，始终围绕降低使用门槛和提高自动化程度两个目标。

五、实际应用：从想法到视频的完整路径

在这个项目中，我没有从功能列表开始，而是先拆解了一个问题：

一个普通人，要把录屏内容变成可发布的视频， 中间究竟卡在哪些步骤？

我将整个过程拆解为：

1. 录屏准备（使用改进后的录屏工具，支持窗口/区域选择）
2. 录制操作（自动采集操作轨迹）
3. 导出字幕（使用剪映录音转字幕功能）
4. 素材关联（手动进行字幕和素材的对应关系，简单对应，不关心时间轴）
5. 选择模板（选择已调试好的视频处理模板）
6. 生成草稿（通过 Python 直接生成剪映草稿，无需 AI 来回思考）
7. 在剪映中查看和微调

然后再反推：

• 哪些节点适合引入自动化
• 哪些节点必须由人来判断

最终，这个项目跑通了如下流程：

录屏 → 自动采集操作轨迹 → 导出字幕 → 素材关联 → 选择模板 → 自动生成草稿 → 可发布视频

在整个过程中，AI 和自动化的角色始终是：

辅助推进与验证，而非替代人的创意判断。

六、项目产出与验证

在这个基于开源项目的二次创作中，我持续负责并交付的包括：

• 录屏工具定制化改进（支持窗口/区域录制、导入已有草稿、无麦录制、打包成独立应用）
• 模板系统建立（实现稳定输出和快速迭代）
• 完整的工作流优化（从录屏到自动生成草稿的完整闭环）

所有功能均可验证、可运行，基于开源项目，代码可追溯。

这不是一个概念 Demo，而是一个真实可用的工具集改进。

七、复盘：AI产品化的边界与可能性

通过这个基于开源项目的二次创作，我更加确信三件事：

1. AI 能显著降低"做产品"的门槛，但无法替代产品负责人的判断
2. 没有结构约束的 AI 输出，价值极低
3. 产品方法论，依然是 AI 成效的上限

这个项目让我非常清晰地意识到：

AI 产品化的难点， 不在于"展示多少能力"， 而在于是否具备"被不同用户持续使用"的能力。

同时，基于开源项目的二次创作也让我明白：

不是要重新发明轮子，而是要在开源项目的基础上，做针对性的定制化改进，让它完全适应实际使用场景。

这也是我后来在系统型产品设计和AI 产品化实践中，

持续坚持的一种产品工作方式。

八、与其他案例的关系

• 案例 1：我如何在复杂系统中控制结构与复杂度
• 案例 2：我如何在内容中台项目中，支撑业务长期演进
• 案例 3：我如何在个人实践中，让 AI 参与产品化流程
• 案例 4：我如何在视频制作场景中，验证 AI 产品化的实际应用（基于开源项目的二次创作）

本质上，这四个案例解决的是同一个问题：

如何在不同资源条件下、不同应用场景中， 让产品依然保持可控、可演进、可验证。

这四者共同构成了我作为系统型产品负责人的完整能力画像。