用Claude Code全自动剪视频：零代码搭建AI剪辑系统

一位不会写代码的YouTube创作者，用Claude Code搭建了一套全自动视频剪辑系统——他只需按下录制键和给出反馈，其余工作全部交给AI和七个工具协同完成。这套系统不仅把原本需要小团队的剪辑流程压缩成一个人，还将单条视频的制作成本大幅降低，速度从过去的数天缩短到当天发布。

七个工具，七个“员工”

这套系统的核心思路，是把传统视频团队中的岗位逐一映射到具体工具上，由Claude Code担任“项目经理”统筹全局。作者强调，Claude Code运行在本地，能直接访问电脑文件、调用其他程序，并把成品输出到指定文件夹。

第一个岗位是“剪辑师”，由Claude Code本人承担：它负责挑选素材、决定剪辑点、规划缩放和动画位置。但Claude本身“听不见”视频内容，于是第二个岗位“转录员”由NVIDIA开发的免费工具Parakeet担任，它把素材转成带时间戳的文本，让Claude能读懂说了什么、哪里出错，从而精准切分镜头。

第三个岗位是“动画师”。过去这类工作依赖After Effects，现在由HeyGen开发的免费工具HyperFrames完成——Claude把每个动画写成一个小型网页，HyperFrames再将其渲染成4K视频，全部在本机运行，不产生额外费用。

MCP（Model Context Protocol，模型上下文协议）是Anthropic于2024年底推出的一种开放标准，用于让大语言模型安全、结构化地连接外部工具和数据源。可以把它理解为AI的“USB-C接口”：只要某个软件提供MCP连接器，Claude就能按统一的协议调用其功能，而不需要为每个软件单独写集成代码。文中Tella、Epidemic Sound正是通过各自的MCP连接器被Claude直接操控的，这也是整套系统能把多个异构工具串成流水线的技术基础。

调研、录屏与声音设计

第四个岗位是“调研员”。当视频中提到某个新闻或研究时，需要配上有据可查的B-roll画面。Claude通过浏览器自动检索、截图、录屏滚动页面，甚至能高亮或放大特定区域，确保屏幕上出现的是原始来源的真实画面。

第五个岗位是“录屏编辑”，服务于作者大量录制的教程内容。他使用Tella同时录制人脸和屏幕，而Tella提供的MCP连接器让Claude可以直接操控软件内部的剪辑、缩放、布局等操作，作者只需完成录制。

第六个岗位是“声音设计师”，负责配乐和音效。作者付费订阅Epidemic Sound，并通过连接器接入Claude。他训练Claude理解自己的偏好：开头带悬念感，随后转入低音量的lo-fi hip-hop风格，音效也有独立的规则。

第七个岗位是“收尾质检员”，由有二十多年历史的免费工具ffmpeg担任。它隐藏在几乎所有主流剪辑软件底层，负责拼接所有片段、剔除黑屏、检查音画同步，在作者看到成品之前完成最后把关。

B-roll（补充镜头）是视频制作中的术语，指穿插在主叙述画面之间的辅助素材，用来覆盖剪辑点、提供视觉证据或调节节奏。传统上B-roll需要摄制团队额外拍摄或从素材库购买，而这里由Claude自动检索、截图、录屏获得，既保证了画面有据可查，也避免了版权风险。这一环节过去是视频团队中“调研员+素材管理员”的职责，如今被压缩成一次浏览器自动化操作。

Skill：把个人风格写成说明书

七个工具各司其职，但它们并不知道“好视频”长什么样。这个关键角色由Skill承担——它本质上是一份Claude在执行任务前阅读的指令文件，把作者的剪辑风格拆解成颜色、字体、动画、音效等具体规则。作者的Skill名为“YouTube-edit”，包含36条规则，而且整套内容是Claude Code帮他写出来的。

作者的训练方法是渐进式的：最初只对每个小片段（通常是视频开头）给出具体反馈，十天左右开始加入音效调试。他为一个开头尝试了八到十种音效才找到满意的效果，因为AI最初生成的版本“太吵了”。每次反馈后，他都会要求Claude把学到的东西写回Skill文件，这样下一次剪辑就会持续进步。

一个重要细节是：每次反馈后让Claude将经验保存进Skill，是这套系统持续进化的关键。作者表示，只要给过一次修改意见，下一次它就不会再犯同样的错误。

Skill可以理解为给AI代理的一份“持久化记忆”或“操作手册”，与一次性的对话提示词有本质区别。普通提示词只在当前会话生效，关掉就忘；而Skill被写入文件后，每次任务开始前都会被重新读取，相当于把人类的经验沉淀成了可复用的资产。这种“执行—反馈—写回文件”的闭环，是让AI输出质量随时间单调提升的关键机制，也是当前AI代理工程中被称为“上下文工程”的典型实践。

实操流程与成本结构

搭建步骤并不复杂：下载Claude桌面版、订阅付费计划、切换到Claude Code模式、选择本地运行并指定工作文件夹、开启自动权限、在设置中打开联网浏览，然后让Claude自行安装所需工具。Tella和Epidemic Sound通过连接器手动接入，HyperFrames可从代码仓库或连接器获取。

实际使用时，作者把原始素材直接丢给Claude，附上指令如“使用我的YouTube剪辑Skill剪辑这个开头”，并补充具体要求（哪里加缩放、哪里加音效、展示哪些动画）。整个流程耗时约10到20分钟。他提到，一段两分多钟的原始素材被剪成31秒的成品，效果基本到位，只需少量调整。

成本方面，作者使用的是Claude Max订阅，属于固定月费，但他同时用于全部工作，因此让Claude统计了单条视频的token消耗来估算分摊成本。HyperFrames和Parakeet完全免费，Tella和Epidemic Sound均为年度订阅、按视频折算下来开销很小。相比之下，一位优秀的YouTube剪辑师单条视频报价从数百美元起。作者更看重的是速度：过去需要三到七天并反复修改，现在可以当天完成策划、拍摄、剪辑和发布。

token是语言模型处理文本的基本计量单位，可粗略理解为“词片”。模型的每一次输入和输出都按token计费，因此单条视频消耗的token量直接对应其推理成本。作者用Claude统计token消耗来分摊月费，本质上是在估算“每条视频的边际AI成本”。这也解释了为什么固定订阅制对高频创作者更划算：使用次数越多，单条视频分摊的固定成本越低。

人仍然是导演

这套系统并没有把创作者完全排除在外。作者把自己的角色定义为“导演”：负责按下录制键、给出反馈、做最终判断。Claude是剪辑师，负责执行。他坦言自己完全不会剪辑，但正因为如此，这套系统对他而言不是效率工具，而是能力延伸。

对于想复刻的人，作者将Skill文件放在其免费社区中分享。从这件事可以看出，AI代理真正落地的形态，往往不是单一模型多么强大，而是把多个专用工具通过一个协调者串联起来，再用一份可迭代的“风格说明书”约束输出质量——这个思路可以迁移到剪辑之外的许多工作流中。