video-use：用 Claude Code 剪视频的开源项目，LLM 读视频而不是看视频
video-use 是 browser-use 团队开源的视频剪辑项目：把原始素材丢进一个文件夹，用自然语言和 Claude Code（或 Codex、Hermes 等任何有 shell 权限的 agent）对话，就能得到 final.mp4。适用于口播、混剪、教程、旅行、访谈等任何内容，不需要预设或菜单。
核心能力
- 剪掉语气词和死区：自动去掉 umm、uh、false start 和镜头之间的空档；
- 自动调色：每段按暖色电影感、中性冲击或任意自定义 ffmpeg 链调色；
- 30ms 音频淡入淡出：每个剪切点都做，保证听不到爆音；
- 烧录字幕：默认双词大写分块，完全可定制；
- 动画覆盖层：通过 HyperFrames、Remotion、Manim 或 PIL 生成，每个动画由并行子 agent 负责；
- 自评估渲染输出：在每个剪切边界检查渲染结果，通过后才展示预览；
- 会话记忆持久化：存在 project.md 里，下周的会话接着上次进度。
关键设计：LLM 不"看"视频，而是"读"视频
视频剪辑的难点是让 LLM 理解素材。朴素的方案是把视频抽成 3 万帧、每帧 1500 token——4500 万 token 的噪声。video-use 用两层结构化表示替代：
第一层：音频转写（始终加载）。每个素材调用一次 ElevenLabs Scribe，得到词级时间戳、说话人分离和音频事件（笑声、掌声、叹气）。所有素材压缩进单个约 12KB 的 takes_packed.md，作为 LLM 的主要阅读视图，按短语带时间范围列出每一句。
第二层：视觉合成图（按需调用）。timeline_view 为任意时间段生成胶片条加波形加词标签的 PNG，只在决策点调用——模糊的停顿、重拍对比、剪切点合理性检查。
这和 browser-use 给 LLM 结构化 DOM 而不是截图的思路一脉相承，只是换到了视频领域。
流水线与设计原则
转写 → 打包 → LLM 推理 → EDL → 渲染 → 自评估
│
└─ 有问题？修复并重渲染（最多 3 次）
自评估循环在渲染输出的每个剪切边界运行 timeline_view，捕捉画面跳动、爆音、隐藏字幕。
设计原则五条：文本加按需视觉，不做帧转储；音频为主、视觉跟随（剪切来自语音边界和静音间隙）；询问→确认→执行→自评估→持久化，未经策略确认绝不碰剪切点；对内容类型零假设，先看先问再编辑；12 条硬规则管生产正确性，艺术判断留给自由发挥。
项目 100% 开源，安装只需克隆仓库、软链到 agent 的 skills 目录、uv sync、装 ffmpeg、配置 ElevenLabs API key，然后就能把原始素材文件夹指给 agent。