你还在用剪辑软件一帧一帧地剪视频吗？或者，你还在为“剪掉‘嗯’、‘啊’这些语气词”这种重复性工作而头疼？过去，视频编辑要么是体力活，要么是艺术活，但很少有人把它看作是“逻辑活”。直到我看到一个项目，它把视频素材丢进文件夹，然后你只需要用自然语言告诉一个AI助手“把这些剪成一个发布视频”，它就能自动完成剪辑、调色、加字幕、加动画，最后给你一个可以直接发布的final.mp4。这个项目就是video-use。它不是一个新软件，而是一个给“编程智能体”（比如 Claude Code）使用的“技能”。它的核心逻辑非常反直觉：AI并不需要“看”视频，它只需要“读”视频。通过将视频的音频转录成带有精确时间戳的文本，AI就能像编辑文档一样，精准地切割、重组视频内容。这听起来简单，但它彻底改变了视频编辑的工作流——从手动操作界面，变成了用语言描述意图。很多人第一反应是：这不就是个自动剪辑工具吗？但它的价值远不止于此。自动剪辑工具很多，但它们往往依赖预设模板或简单规则，僵硬且不可控。video-use的不同在于，它把编辑的“策略制定权”交给了你，而把繁琐的“策略执行权”交给了AI。你不再是点按钮的操作员，而是下达指令的导演。这背后，是一套将视频编辑工程化、结构化的全新思路。1. 核心突破：为什么“读”视频比“看”视频更高效？理解video-use，首先要打破一个固有观念：编辑视频必须处理海量的视觉帧。一秒钟30帧，一分钟就是1800张图片。对于大语言模型（LLM）来说，直接处理这些帧信息是灾难性的——token量爆炸，成本高昂，且大部分是无效的视觉噪声（比如背景中一片不变的天空）。video-use采用了一种极其聪明的分层处理策略：1.1 第一层：音频转录（始终加载）这是整个系统的基石。它使用 ElevenLabs 的 Scribe API 对原始素材进行语音识别。关键不在于识别文字，而在于它产出的结构化数据：词级时间戳：每个单词在音频中精确的起止时间。说话人分离：区分不同讲话者（S0, S1...）。音频事件标记：自动识别并标记(笑声)、(掌声)、(叹息)等非语言声音。所有这些信息被压缩成一个约12KB的takes_packed.md文本文件。例如：## 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.现在，AI面对的不再是视频流，而是一份带有精确时间坐标的“脚本”。它可以通过分析文本来决定剪辑点：哪里是冗余的“嗯”、“啊”，哪里是自然的语句停顿，哪里需要保留强调的语气。剪辑的逻辑首次从像素域转移到了文本域。1.2 第二层：视觉合成（按需调用）纯文本无法解决所有问题。比如，两个镜头切换时画面是否跳跃？说话时的表情和口型是否匹配？这时才需要“看”。video-use提供了一个timeline_view功能，它能在需要决策时（如遇到模棱两可的停顿、需要对比不同镜头时），动态生成一张