 |
 |
 |
 |
 |
| GitHub 星探 每日热门 |
开源亮点 单项目深度 |
科技速递 行业趋势 |
互联网报告 深度解读 |
周度汇总 一周精选 |
四个真实案例。每一行左边的输入，是你给 ClipForge 的话；右边，是它返回给你的成片。
你说的： 「今天 GitHub 上涨星最快的项目」
它做的： 自动抓取趋势数据 → 筛选涨星最快的项目 → 编写文案 → 配音配乐 → 渲染竖屏视频 → 生成封面和抖音文案
结果： 一条 45 秒视频，直接能发。每天 7 点自动执行，全程无需人工介入。
你说的： 上传一份 30 页的行业报告 PDF
它做的： 提炼核心数据点（4175 亿市场规模、75% 无效培训、AI 增速 4 倍）→ 编写旁白 → 配音 → 配乐 → 渲染成片
结果： 55 秒深度分析视频，5 个数据点讲清行业变革。
你说的： 「帮我做一个『服务即软件』趋势的深度解读长视频」
它做的： 提炼核心论点 → 拆解成 18 个场景 → 编写长文案 → 分段配音配乐 → 单次渲染合成 10 分钟成片
结果： 一条 10 分钟长视频，从概念定义到落地案例层层递进 — ClipForge 不只能做 1 分钟短视频。
你说的： 「从创业失败残骸里淘教训 + 可复用点子」
它做的： 从 loot-drop.io 抓真实失败案例（如微贷网 P2P 烧光 $110M）→ 剖析死因（监管清退 + 期限错配庞氏死亡螺旋）→ 淘可复用点子（CreditOS：不做放贷，给银行卖 AI 风控铲子）→ 渲染暖金风复盘视频
结果： 一条第一人称「淘金者」复盘视频 — 从「这家怎么死的」到「能偷什么点子」。每周二/四/六自动执行，从中国公司起步逐步覆盖全球。
看完这四个例子，你是不是在想：如果我把我的专业领域喂给它，是不是也能做出这样的视频？
答案是：能。
ClipForge 不限于技术视频。它的核心能力是把信息变成视频 — 你熟悉什么领域，就做什么领域的视频。
| 如果你研究... | 你可以这样做视频... |
|---|---|
| 医学 / 健康科普 | 每周一条医学新知，用数据讲清每个结论 |
| 财经 / 投资 | 每日市场异动速报，用数字说话 |
| 读书 / 知识 | 把一本书的核心观点变成 1 分钟视频 |
| AI / 科技前沿 | 论文速读、产品测评、趋势预测 |
| 教育 / 考研考证 | 知识点拆解，把难懂的概念讲明白 |
| 管理 / 职场 | 方法论拆解、案例复盘、行业分析 |
| 设计 / 审美 | 设计趋势、灵感集、案例分析 |
| 法律 / 政策 | 新法规解读、案例分析 |
你不需要会剪辑、不需要出镜、不需要配音。你只需要懂一个领域，并且愿意讲出来。
给 ClipForge 一个想法、一段文字、一份报告、一个 URL — 它都能变成视频。
Linus 写了 Linux，没有收费，世界因此多了无数可能。无数开发者提交 PR，不求回报，只因为"这个问题我解决了，别人就不用再踩一遍坑"。
这就是开源精神——本质上是一种信仰：我贡献，不是因为能得到什么，而是因为世界会因此好一点点。
那些真正改变效率的开源项目，每天在 GitHub Trending 上冲榜、拿星，但大多数人根本不知道它们的存在。我一直觉得，好的代码不该只待在 GitHub 的角落里无人知晓。于是我想做一件事：每天把最火的开源项目，用最短的时间告诉所有人。
一个人分享，帮助十个人；十个人分享，帮助一百个人。当分享成为潮流，进步的速度就不是加法，而是乘法。
想法很纯粹，执行却走了很多弯路。我尝试了各种视频制作工具，自己上手剪了半个多月，才发现视频创作、脚本设计、分镜节奏这些专业知识远没有想象中简单。
转折出现在几个月后。我发现了开源项目 HyperFrames——通过写 HTML 代码就能生成视频。代码我懂，但实际用下来，它的排版布局不完全符合竖屏短视频的需求，每个视频都要反复调整，根本不可能做到每天一期。
所以——ClipForge 诞生了。
它把"写 HTML 生成视频"这个能力，包装成了一套完整的自动化管线：内容采集 → 场景设计 → 旁白配音 → BGM 配乐 → 视频渲染 → 封面生成 → 机器评分。指定一个分类，剩下的全自动完成。
每一行开源代码是一颗星火，每一次无私分享是一颗星火，每一个愿意贡献的人也是一颗星火。星火不灭，燎原不止。
整个过程可以理解成三步：
你说话 → 它创作 → 出成片
第一步：你说话 — 告诉 ClipForge 你想讲什么。一句话、一段文字、一个 URL、一份 PDF 都行。
第二步：它创作 — 自动写旁白文案 → 选配音 → 配音乐 → 设计画面 → 编排动画。每个环节都有质量门禁，不达标自动重来。
第三步：出成片 — 生成竖屏视频 + 封面 + 抖音文案，直接能发。
就是这么简单。你负责想，它负责做。
以下为技术细节，面向开发者和贡献者。 如果你是内容创作者，看到这里就够了 — 找一个懂技术的朋友帮你装好环境，然后你只需要和 ClipForge 对话。
git clone https://github.com/Johnson-Jia/video-clipforge.git
cd video-clipforge
bash install.sh # 项目级安装（默认，装到 .claude/commands/）
# bash install.sh --global # 或用户级（跨项目共享，装到 ~/.claude/commands/）
claude # 启动 Claude Code，技能自动加载
/clipforge 制作一个关于 XXX 的视频前置依赖： Node.js >= 22、FFmpeg、edge-tts、yt-dlp。详见 安装指南。
技能可装到项目级或用户级，两种方式功能等价。工作目录（视频输出）落当前 git 项目根，cd 到不同项目即切换。
| 命令 | 用途 |
|---|---|
/clipforge |
交互式视频制作 — 告诉它你想做什么 |
/clipforge-category-setup |
引导创建新分类配置 + 可选定时任务 — 只需回答几个问题 |
/clipforge-feedback |
分析播放数据，校准机器评分 — 进入自进化 |
定时任务（如每日/每周自动执行）由
/clipforge-category-setup引导生成，属于个人配置，不入 git。
ClipForge 不是一个固定输出的工具 — 它会从播放数据中学习，持续进化。
工作原理：
制作视频 → 机器评分 → 发布 → 你导入播放数据 → 机器对比预测 vs 实际 → 自动调整规则
- 每条视频制作完成后，ClipForge 自动生成机器预测评分（
score_report.json） - 视频发布 1-2 天后，你从各平台导出播放数据
- ClipForge 对比「机器预测」vs「实际播放表现」，发现偏差并产出校准信号
- 校准信号经人工确认后写入规则库，让下一次预测更准确
如何导入数据：
将平台导出文件放到 workspace/sources/视频数据/YYYY-MM-DD/ 目录：
| 平台 | 导出路径 |
|---|---|
| 抖音 | 创作者中心 → 数据中心 → 作品分析 → 投稿作品 → 投稿列表 → 选择全部 → 导出 |
| B站 | 创作中心 → 数据概览 → 近期稿件对比 → 导出（每次10条，多次导出） |
| 视频号 | 视频号助手 → 数据中心 → 视频数据 → 单篇视频 → 下载表格 |
| 小红书 | 创作服务平台 → 数据看板 → 内容分析 → 笔记数据 → 全部 → 导出 |
三种触发方式：
- 自动：每次制作完视频，ClipForge 自动检测是否有新数据，提示你分析
- 手动：运行
/clipforge-feedback，选择项目进行评分校准 - 引导：直接告诉 ClipForge「分析一下最近的播放数据」，它会自动走完流程
自进化已升级为完整动态闭环——相对大盘衰减（过时模式按"跑赢大盘的程度"自动降权/淘汰，不被大盘涨跌误导）、回归归因（控制其他变量后的边际净效应，分离题材×话术的真实贡献）、探索-利用（85% 用最强经验 / 15% 主动采集冷门维度数据，打破"只追不探"的死锁）。机制细节见架构文档。
最新一次进化：从"合规"到"爆款预测"。 一个反直觉的发现驱动了这次重构——机器评分和真实播放量曾出现负相关：6 月一批评分逼近满分的视频，播放量反而崩了 99.7%。根因是评分只衡量"符合既有规则的程度"，越合规越像过去的自己，越同质越疲劳。于是评分被重构成多维——不再只看合规，还量化"这条和近期内容有多像"（新鲜度）和"播放潜力有多大"（预测）。满分不再是目标：与近期高度相似的视频会被新鲜度主动拉低。配合选题阶段的题材轮换与新鲜度约束，以及每日回流的真实播放数据训练预测模型（启发式→回归，样本够了自动升级），系统从"自我参照的合规优化"转向"对齐真实爆款的进化"。每日 /evolve-daily 自动跑完整个闭环，无需人工介入。
可视化仪表盘： 自进化数据可视化 + 手动调权重干预：
cd evolution-dashboard && python server.py # 浏览器打开 http://127.0.0.1:8765查看每个维度的受众广度 / 留存质量 / 回归净效应 + 历史视频表现，拖动维度权重滑块（题材/话术/封面/旁白）或调整单个经验模式权重，下次制作视频立即按"维度权重 × 模式权重"排序注入。
内容获取 → 导演设计 → 旁白文案 → 音频制备 → 素材制备 → 视频渲染 → 交付输出 → 机器评分 → 自动清理
└→ 反馈校准（可选）
| 阶段 | 产出 | 说明 |
|---|---|---|
| Stage 0 | env-check | 依赖检测与自动安装 |
| Stage 1 | content | 文字 / URL / PDF / GitHub 数据 / 任何你能提供的素材 |
| Stage 2 | design | 情感内核 → 配色 → 沉浸模式 → 故事板 |
| Stage 3 | narration | 场景拆解 + 分段旁白文案 |
| Stage 4 | audio | 分段 TTS + BGM 选取 + 音量校准 |
| Stage 5 | assets | 视觉素材制备（可选） |
| Stage 6 | video | HTML + 三层组件（bg / fx / content）+ 动画 → HyperFrames 渲染 |
| Stage 7 | delivery | 封面 + 文案 + 双版本输出（含 BGM / 纯旁白） |
| — | machine-scoring | 交付后自动运行 gate 全量校验，记录机器预测评分 |
| Stage 8 | feedback | 播放数据 + 人类评分 → 机器评分校准（发布后手动触发，可选） |
| — | cleanup | 按保留策略删除中间产物 |
DAG 定义在 schema.yaml。中断后重新运行自动跳过已完成阶段。
- 不教怎么做，只定边界 — 把创造空间留给 Agent，从 58 条真实播放数据中持续进化
- Schema 即真相 —
schema.yaml定义所有 artifact 依赖和状态，状态即文件存在 - 委托不重写 — HTML 渲染和混音委托 HyperFrames
- 双域分离 — 流程层零自由度（LETTER），内容层最大自由度（SPIRIT）
- 双闭环反馈 — 失败归因收紧规则 + 成功分析沉淀模式
引擎层完整设计参见 自进化架构设计。
ClipForge 内置了分类配置（GitHub 趋势、频道置顶等）。覆盖新领域只需一个命令：
/clipforge-category-setup
它会引导你回答几个问题（领域名称、数据来源、风格偏好、标签），然后自动生成完整的分类配置文件。大部分字段有合理默认值，你只需要提供你熟悉的那部分。
如果后续需要全自动化，/clipforge-category-setup 可以同时生成定时任务编排文件。
详见 CONTRIBUTING.md 和 架构文档。
.claude/commands/
├── clipforge.md # 主控制器（DAG、模式选择、错误恢复）
├── github-*.md # 定时任务编排（个人配置，不入 git）
└── clipforge/ # 技能包（静态定义，入库复用）
├── schema.yaml # Artifact DAG（唯一真相源）
├── stages/ # 阶段执行指南（stage0 ~ stage8）
├── shared/ # 共享技能（渲染安全、清理规则等）
├── categories/ # 分类配置（GitHub、漫画等）
├── components/ # 视觉组件库（65 个三层组件）
│ ├── bg/ # 背景层（27 个：极光、星云、光束…）
│ ├── fx/ # 特效层（14 个：粒子、光带、代码雨、星座…）
│ └── content/ # 内容层（24 个：数据卡、时间线、电影特效…）
├── scripts/ # 工具脚本（自进化/迁移/回填）
├── engine/ # 自进化引擎（门禁/归因/Trace/治理/可观测性）
│ └── lib/data_paths.py # 数据路径统一收口
├── rules/ # 约束规则库（静态）
├── skills/ # 技能声明（四原子模型）
└── patterns/seed/ # 人工经验模式（静态，入库）
evolution-dashboard/ # 可视化仪表盘（独立服务）
workspace/evolution/ # 自进化运行数据（gitignore：经验模式/轨迹/规则演化/阈值）
- 新内容源： 运行
/clipforge-category-setup，引导生成分类配置 + 定时任务 - 新分类： 运行
/clipforge-category-setup引导生成，或手动在categories/下创建配置文件 - 新规则： 在
rules/下添加 YAML，引擎自动加载 - 新阶段： 更新
schema.yaml+ 创建 stage 文件
ClipForge 的视觉画面由三层组件构成，每层都可以自由添加新组件：
| 层级 | 目录 | 现有 | 作用 | 示例 |
|---|---|---|---|---|
| 背景层 (bg) | components/bg/ |
27 | 奠定画面氛围底色 — 渐变、光晕、粒子、网格 | 极光流动、星云漂移、能量脉冲、钻石网格 |
| 特效层 (fx) | components/fx/ |
14 | 叠加动态视觉反馈 — 扫描线、光带、粒子爆发 | 代码雨、脉冲光球、对角光带、星座网络、分形闪电 |
| 内容层 (content) | components/content/ |
24 | 承载信息呈现 — 数据卡、时间线、对比面板 | 英雄卡片、星级计数、数据可视化、结论框 |
三层组合方式： 每个场景 = 1 个背景 + 0~2 个特效 + 1 个内容组件。AI 根据场景情感（兴奋、沉稳、悬念…）自动选配组合。
添加新组件只需三步：
- 在对应层级目录下创建 HTML 文件（含
@ComponentMeta元数据头） - 在
registry.yaml中追加一条索引 - 完成 — AI 下次创作视频时自动发现并引用
组件格式要求：纯 CSS 动画（bg 层）或 CSS + GSAP/Canvas（fx/content 层），深色底色，所有元素默认可见（opacity ≥ 0.15）。详见 components/ 目录下任意现有组件作为参考模板。
| 依赖 | 用途 | 安装 |
|---|---|---|
| HyperFrames | HTML 转视频渲染 | 首次运行自动安装 |
| Node.js >= 22 | HyperFrames CLI | winget install OpenJS.NodeJS.LTS |
| FFmpeg | 音视频处理 | winget install Gyan.FFmpeg |
| edge-tts | 中文 TTS 旁白 | pip install edge-tts |
| yt-dlp | YouTube 免版税音乐 | pip install yt-dlp |
视频标题字体（如 Ma Shan Zheng 毛笔体）由 build_font_faces 三级回退获取，字体文件不入 git（仓库不膨胀）：
assets/fonts/（项目内置，默认空）- 字体目录（env
CLIPFORGE_FONTS_DIR>~/.claude/clipforge-config.json的fonts_dir，参照工作目录回退）——设了直接用本地、不下载：# 持久（写 config.json，推荐）：编辑 ~/.claude/clipforge-config.json 加 "fonts_dir": "E:\\字体" # 临时：export CLIPFORGE_FONTS_DIR="/path/to/your/fonts"
- 自动下载到
~/.cache/hyperframes/fonts/（克隆者首次渲染从 Google Fonts 自动下载，无需配置）
克隆者无需配置，首次渲染自动下载。本地有字体库配 CLIPFORGE_FONTS_DIR 复用，不重复下载。
ClipForge 是我个人利用业余时间开发的免费开源项目。如果你觉得它有用，可以请我喝杯咖啡 — 这完全是自愿的。
你的支持能帮我：
- 🤖 抵消大模型 API 调用成本，让我能更自由地迭代和测试
- ✨ 开发更多视觉特效组件和内容分类模板
- ☕ 腾出更多业余时间完善功能和修复 bug
感谢每一位支持者 ❤️
| 支付宝 | 微信 |
|---|---|
 |
 |