无脸视频工厂：用持久记忆让内容创作自我进化

大多数无脸短视频工具都是脚本运行器——相同的主题列表，相同的输出，一遍又一遍。没有任何学习能力。一位开发者构建了一个能记住哪些内容真正赚到钱的视频工厂，并让记忆反哺下一次创作决策。

被忽视的学习闭环

无脸内容管道有两个半环，而大多数人只构建了第一个：

1. 生产：从主题生成视频（脚本 → 渲染 → 发布）
2. 学习：识别哪些主题带来了收入，让下一次更好

第二个半环才是收益复利增长的关键，却恰恰被所有人跳过。这位开发者用 Backboard 的持久记忆闭合了这个循环：

回忆赚钱的内容 ──▶ [大脑] ──选择主题──▶ [脚本] ──▶ [组装] ──▶ [收银台]
     ▲                  (本地LLM +          (本地)     (FFmpeg)      (收入)
     │                  回忆的事实)
     └──────────────────── 记住结果 ───────────────┘

每次制作视频前，大脑会询问 Backboard：“之前什么内容赚到了钱？”并让这个信息引导主题选择。每次视频完成后，收入结果会被写回记忆。运行两次，第二次就会比第一次更聪明——这是可测量的提升。

为什么选择 Backboard 加本地模型

Backboard 的记忆能力是核心差异化点——事实在多次运行和会话间持久存在，让工厂不断积累而非重置。但黑客松的信用额度只覆盖记忆和 RAG，不包含 LLM 对话。因此生成环节运行在开发者本机的本地 llama.cpp 模型上。

这种拆分并非权宜之计，而是整个副业的核心逻辑：Backboard 提供让工厂变聪明的长期记忆，本地模型将每条视频的成本压到零。没有云 token 账单侵蚀利润空间。

持久记忆与 RAG 的区别：普通检索增强生成（RAG）通常只针对单次会话或单一文档集做一次性检索，会话结束后上下文即被丢弃。而文中 Backboard 提供的是跨会话的持久记忆层——它把每次运行产生的事实（如某条视频赚了多少钱）写入长期存储，并在后续运行中被重新召回。正是这种“事实在多次运行和会话间持久存在”的特性，才让工厂能够不断累积经验，而不是每次从零开始。RAG 负责在记忆库中检索相关信息，持久记忆负责让这些信息不随时间消失，二者结合才形成了可复利的学习闭环。

llama.cpp 与量化本地推理：llama.cpp 是一个用 C/C++ 实现的大语言模型推理引擎，专为在消费级硬件（CPU、Apple Silicon、普通 GPU）上高效运行模型而设计。它支持 GGUF 格式的量化模型，把原本需要数十 GB 显存的权重压缩到几 GB 甚至更小，从而让本地生成脚本变得可行。文中模型运行在 :8080 端口，通过本地 HTTP 接口调用，当服务器宕机时回退到模板，保证管道不被阻塞。相比云端 API，本地推理一次性下载模型后，每次生成的边际成本几乎为零，这正是“每条视频成本压到零”的技术基础。

可量化的学习效果

开发者先冷启动大脑，然后植入两条结果记录，再进行热运行。以下是变化：

运行	记忆状态	选择的主题	原因
1（冷启动）	回忆 0 条事实	《我从 40 条短视频变现中学到了什么》	无历史记录，盲目选择
2（热运行）	回忆 4 条事实	《没人谈论的副业：无脸视频》	被记忆中 $61.30 的收入记录引导

大脑学习所用的植入事实：

过去的视频	播放量	收入	信号
《打造一个在你睡觉时也能运转的收入流》	14,200	$61.30	🟢 高收入
《从关键词到视频，五分钟内完成》	3,100	$3.10	🔴 表现不佳

每次运行渲染出的真实 1080×1920 竖屏 MP4：

属性	值
分辨率	1080×1920 (9:16)
编解码器	h264 + aac
旁白	espeak-ng（设备端）
背景	FFmpeg 渐变（生成而非下载）

收银台背后的收入模型是真实的数学计算，而非模拟——YouTube Shorts RPM、TikTok Rewards RPM 和联盟转化模型，全部记录在一个可编辑文件中。

RPM 与收入模型：RPM（Revenue Per Mille）指每千次播放带来的收入，是创作者经济中的核心指标。它不同于 CPM（广告主每千次展示支付的成本），RPM 是创作者实际到手的金额，通常扣除平台分成后计算。文中收银台使用的收入模型综合了 YouTube Shorts RPM、TikTok Rewards RPM 和联盟转化模型，意味着同一视频在不同平台的播放量会按各自的 RPM 换算成收入，再加上 affiliate 链接的转化收益。把这些参数放在一个可编辑文件中，使得收入结果可复现、可调整，也让记忆写入的收入信号具有真实数学依据，而非凭空模拟。

本地优先的实际边界

副业的核心是利润率，因此所有昂贵环节都不依赖远程调用：

• 脚本 → 本地 llama.cpp 运行在 :8080（服务器宕机时回退到模板，管道永不阻塞）
• 旁白 → 设备端 espeak-ng
• 背景 → FFmpeg gradients 滤镜本地生成
• 记忆 → Backboard（唯一的云调用，且属于免费的 Memory + RAG 层级）

上手体验

git clone https://github.com/Reggiebro/faceless-video-factory && cd faceless-video-factory
bash demo.sh        # 冷启动 -> 植入 -> 热运行，用一个脚本展示学习过程
python3 orchestrator.py   # 完整流程：大脑 -> 脚本 -> 视频 -> 收银台

仓库采用 MIT 协议。大脑（backboard/brain.py）约 150 行，从头到尾可读——回忆、选择、记录。这就是整个想法。

开发者提出的问题值得思考：是否有人用持久记忆让内容管道实现复利增长而非简单重复？回忆引导选择的循环能否在规模化时保持有效，还是运行几十次后会开始追逐自己的尾巴？除了收入之外，你还想加入什么反馈信号？