1. 从只会写代码到能剪片子一个被低估的能力缺口如果你最近半年一直在用 Claude Code 做开发大概率已经习惯了它帮你读仓库、改 bug、写测试、跑命令这一整套流程。但有个场景我一直觉得别扭当我想让它帮我处理一段视频素材、生成一个字幕文件、或者把一批录屏按规则切片的时候它就显得有点手足无措——不是它不聪明而是它手里没有趁手的工具。这个问题的本质其实不是模型能力的问题而是能力边界的问题。Claude Code 本身是一个通用型的代码智能体它的强项在于理解代码、操作文件系统、执行命令。但做视频这件事涉及的是另一套完全不同的技术栈编解码、时间轴、滤镜图、字幕格式、音频采样……这些领域知识如果每次都靠模型现场推理效率低不说还特别容易出错。于是就有了 Skill 这套机制。简单说Skill 就是给 Claude Code 挂载的技能包——每个 Skill 本质上是一份结构化的指令文档告诉模型在遇到某类任务时应该调用什么工具、遵循什么流程、注意哪些坑。你可以把它理解成给一个全能选手配了一整套专业工具箱需要剪视频的时候打开视频工具箱需要处理音频的时候打开音频工具箱。我花了两周时间把目前开源社区里能找到的、和视频/媒体处理相关的 Skill 做了一次系统性盘点一共梳理出180 个。这里面有相当一部分是热门项目star 数很高、文档齐全但更让我意外的是有107 个属于典型的冷门宝藏——star 数不到 50却解决了很多非常具体、非常实际的问题。这篇文章就是这次盘点的完整记录我会把分类逻辑、每类的核心能力、选型思路、以及那些冷门但好用的 Skill 都讲清楚。不管你是想给 Claude Code 加上视频处理能力还是单纯想了解AI 智能体 媒体工具链这个方向现在发展到什么程度了这篇应该都能给你一些参考。我会尽量说人话把每个分类解决什么问题、适合什么场景讲明白而不是甩一堆链接让你自己猜。2. 先搞清楚 Skill 到底是什么机制、边界与常见误解在进入分类盘点之前有必要先把 Skill 这套机制讲透。因为我发现很多人对它的理解是有偏差的导致选型的时候容易走弯路。2.1 Skill 不是插件也不是 MCP 工具这是最容易混淆的一点。很多人第一次接触 Skill会下意识地把它类比成浏览器插件或者 MCPModel Context Protocol工具。但这三者其实是不同层次的东西。MCP 解决的是连接问题——它让模型能够访问外部服务、数据库、API。你可以把 MCP 理解成给模型接了一根根数据线让它能伸手够到外面的世界。而 Skill 解决的是方法论问题——它不负责连接它负责告诉模型当你面对这类任务时应该按什么步骤、用什么工具、注意什么。举个具体的例子。假设你要让 Claude Code 把一段视频转成 GIF。MCP 层面可能是提供了一个能调用 ffmpeg 的接口而 Skill 层面则是一份文档里面写着先探测源视频的分辨率和帧率根据目标 GIF 的大小反推合适的缩放比例用调色板两遍法生成高质量 GIF注意控制帧率避免文件过大……这些经验性的流程才是 Skill 的核心价值。所以 Skill 的本质是领域知识的封装。它把某个领域里老手才知道怎么做的经验固化成了模型可以读取和执行的指令。这也是为什么同样一个 ffmpeg有人用 Skill 封装之后效果好有人随便写两行命令就完事——差距就在这些细节里。2.2 一个 Skill 的典型结构虽然不同项目的 Skill 格式略有差异但核心结构是相通的。一个完整的 Skill 通常包含这么几块元信息名称、描述、适用场景。这部分决定了模型在什么情况下会想起这个 Skill。前置条件需要哪些依赖、环境变量、外部工具。比如很多视频 Skill 都依赖 ffmpeg 和 ffprobe。执行流程分步骤的操作指令这是 Skill 的主体。参数说明每个可调参数的含义、取值范围、默认值。注意事项常见坑、边界情况、错误处理。我见过不少写得好的 Skill光注意事项这一块就能写上千字把各种踩过的坑都列出来了。这种 Skill 用起来就特别省心因为模型不需要自己去试错。2.3 关于180 个和107 个冷门的统计口径这里要说明一下我的统计口径免得你按图索骥的时候对不上。我统计的范围是公开可获取、以 Skill 形式封装、核心功能与视频/音频/媒体处理相关的项目。这里面既包括专门为 Claude Code 设计的 Skill也包括一些通用的、可以适配到 Claude Code 的媒体处理指令集。冷门宝藏的判定标准是 star 数低于 50。这个门槛是我自己定的理由是star 数高的项目通常已经被充分讨论过了而低 star 的项目里往往藏着一些非常垂直、非常实用的东西只是因为作者没怎么推广或者解决的问题太小众所以没火起来。但小众不等于没用——恰恰相反很多冷门 Skill 解决的是大而全的工具不愿意做、但实际工作中又经常遇到的问题。需要提醒的是star 数会随时间变化我统计的是某个时间点的快照。所以如果你去看的时候发现数字对不上那是正常的。3. 180 个 Skill 的六大分类从转码到生成的全景图把 180 个 Skill 摊开来看如果只是按字母顺序列一遍那基本没什么参考价值。我按照解决什么问题这个维度把它们归成了六大类。这个分类不是绝对的有些 Skill 会跨类但大方向是清晰的。3.1 格式转换与转码类最基础也最容易被做砸这是数量最多的一类大概占了总数的三分之一。核心任务就一个把视频/音频从一种格式变成另一种格式。听起来很简单对吧但恰恰是这类最容易被做砸。我见过太多 Skill 就是简单包一层ffmpeg -i input output参数都不带调的。结果就是转出来的文件要么体积爆炸要么画质糊成马赛克要么音画不同步。做得好的转码 Skill会在这些地方下功夫编码器选择H.264 兼容性最好H.265 压缩率高但兼容性差AV1 更先进但编码慢。Skill 需要根据目标平台自动选择。CRF 与码率控制恒定质量模式CRF适合大多数场景但直播推流场景需要恒定码率CBR。预设与调优-preset参数在速度和压缩率之间权衡medium是通用选择slow适合离线处理。音频处理采样率、声道数、编码格式的匹配避免出现视频转了音频没转的尴尬。冷门宝藏里有一个专门做批量转码的 Skill它的亮点是支持断点续传和失败重试。处理几百个文件的时候这个特性太重要了——你总不希望跑到第 199 个文件的时候因为一个损坏的源文件导致整个任务崩掉吧。3.2 剪辑与合成类时间轴上的精细活这一类解决的是对视频内容进行增删改的问题裁剪、拼接、叠加、画中画、加水印、加字幕……剪辑类 Skill 的难点在于时间精度。视频的时间单位是毫秒级的一个操作差个几十毫秒观感就完全不一样。好的剪辑 Skill 会特别注意关键帧对齐裁剪点尽量对齐到关键帧避免重新编码。音画同步音频和视频分开处理时要保证时间轴一致。转场处理拼接两段视频时直接硬切还是加转场效果差别很大。我印象比较深的是一个做自动去静音的 Skill。它的逻辑是先用音频分析找出所有静音区间然后把这些区间从视频里剪掉。听起来简单但它处理了很多边界情况——比如静音阈值怎么定、剪完之后字幕时间轴怎么同步、剪得太碎怎么办。这种细节就是冷门 Skill 的价值所在。3.3 字幕与文本类被严重低估的一类字幕处理是我认为最被低估的一类 Skill。很多人觉得字幕嘛不就是把文字贴上去。但实际做起来字幕的坑多到能写一本书。这一类涵盖的任务包括语音转字幕从音频生成字幕文件涉及语音识别、时间轴对齐、标点恢复。字幕格式转换SRT、ASS、VTT、SSA 之间的互转每种格式的特性和样式支持都不一样。字幕翻译多语言字幕生成涉及翻译质量和时间轴保持。字幕烧录把字幕硬编码进视频画面涉及字体、位置、描边、阴影。冷门宝藏里有一个专门处理ASS 字幕样式的 Skill它能根据视频分辨率自动调整字幕的字号、边距、行距。这个需求看起来很小但如果你做过字幕就知道同一份字幕在不同分辨率的视频上显示效果可能天差地别。手动调那得调到天荒地老。3.4 音频处理类视频的另一半视频处理绕不开音频。这一类 Skill 专门处理音频相关任务提取、降噪、混音、变速、变调、音量标准化……音频处理有个特点很多问题肉眼看不出来但耳朵一听就露馅。比如音量忽大忽小、背景有电流声、人声和背景音乐比例失调。好的音频 Skill 会内置这些检测和修复能力。我特别想提一个做响度标准化的 Skill。它遵循的是 EBU R128 标准把音频的整体响度统一到 -16 LUFS 左右。这个标准在播客、视频平台里很常用但手动调起来很麻烦——你得先测量再计算增益再应用。这个 Skill 把这些步骤全自动化了而且处理得很专业。3.5 分析与元数据类让视频可被理解这一类 Skill 不直接修改视频而是提取信息时长、分辨率、码率、编码格式、关键帧位置、场景变化点、人脸、物体、文字……分析类 Skill 的价值在于它是其他所有操作的基础。你想裁剪得先知道关键帧在哪你想压缩得先知道当前码率多少你想做内容审核得先能识别画面内容。冷门宝藏里有一个做场景检测的 Skill它能自动识别视频里的场景切换点输出时间戳列表。这个能力在自动剪辑、章节生成、精彩片段提取等场景里特别有用。它的算法不算复杂但封装得很扎实输出格式也很规范。3.6 生成与创意类AI 加持的新玩法这是最新、也最活跃的一类。随着生成式模型的发展出现了大量用 AI 生成视频内容的 Skill文生视频、图生视频、视频风格迁移、AI 配音、AI 配乐……这一类 Skill 的特点是依赖外部模型服务所以通常需要配置 API 密钥或者本地模型。它们的质量参差不齐有些效果惊艳有些则一言难尽。选型的时候要特别注意生成质量、生成速度、成本、以及是否支持商用。我个人的建议是生成类 Skill 目前还处于快速迭代阶段不要指望一个 Skill 解决所有问题。更务实的做法是把生成类 Skill 当成素材生产工具生成出来的东西再经过剪辑、合成类 Skill 加工这样整体效果会好很多。4. 107 个冷门宝藏里我挑出这 12 个最值得装前面说了107 个冷门宝藏是这次盘点的重点。但我不可能把 107 个都讲一遍那样文章就成目录了。所以我从中挑了 12 个我认为最值得装的按功能分组介绍。每个我都会说清楚它解决什么问题、为什么好用、以及使用时要注意什么。4.1 转码与压缩组的 4 个第一个智能码率适配 Skill。它的核心能力是给定一个目标文件大小自动反推合适的码率。比如你要把一个 2GB 的视频压到 200MB 以内它会根据视频时长、音频码率、容器开销算出视频部分应该用多少码率。这个计算看起来简单但实际要考虑的变量很多——音频占多少、封装开销多少、是否需要留余量。手动算容易出错交给它省心。第二个批量转码队列 Skill。前面提过它的亮点是断点续传和失败重试。我实测下来处理 500 个文件的任务中途遇到 3 个损坏文件它都自动跳过了最后输出了一份失败清单。这种健壮性是随手写的脚本比不了的。第三个GIF 高质量生成 Skill。GIF 的坑在于颜色。普通转换出来的 GIF 只有 256 色画面一复杂就出现色带。这个 Skill 用的是调色板两遍法先从视频里提取最优调色板再用这个调色板生成 GIF。效果提升非常明显尤其是处理有渐变的画面时。第四个视频压缩预设库 Skill。它内置了几十种针对不同平台的压缩预设某视频平台、某社交平台、某会议软件……每个预设都调好了分辨率、码率、编码参数。你要发到哪个平台直接选对应预设就行不用自己研究参数。4.2 剪辑与合成组的 3 个第五个自动去静音 Skill。前面提过这里补充一个细节它支持自定义静音阈值和最短静音时长。这两个参数很关键——阈值太高会漏掉一些静音太低会把正常停顿也剪掉。默认值我试下来比较合理但如果你处理的是语速特别快或特别慢的素材建议手动调一下。第六个视频拼接与转场 Skill。它支持硬切、淡入淡出、滑动等多种转场效果。我特别喜欢它的一个细节拼接前会自动检测两段视频的分辨率、帧率、音频采样率是否一致不一致会先统一再拼。这个检查太重要了不然拼出来的视频经常出现音画不同步或者画面变形。第七个水印批量添加 Skill。支持图片水印和文字水印位置、透明度、大小都可调。它的亮点是支持相对定位——水印位置按视频宽高的百分比来定这样同一套配置可以用在不同分辨率的视频上不用一个个调。4.3 字幕与文本组的 3 个第八个字幕时间轴微调 Skill。字幕和音频对不齐是常见问题。这个 Skill 支持整体偏移、逐条微调、以及基于音频波形的自动对齐。最后这个功能特别实用——它会分析音频里的语音起始点然后自动调整字幕时间轴去匹配。第九个ASS 样式自适应 Skill。前面提过它能根据视频分辨率自动调整字幕样式。我补充一点它还支持根据视频宽高比调整字幕的换行策略避免出现字幕超出画面或者断句难看的问题。第十个字幕格式无损转换 Skill。SRT 转 ASS 的时候如果直接转样式信息会丢失。这个 Skill 会尽量保留原有的样式、位置、特效信息。虽然不能做到 100% 无损但比裸转好太多了。4.4 音频与分析组的 2 个第十一个响度标准化 Skill。前面提过 EBU R128 标准。补充一个使用建议如果你处理的是多个视频建议用同一个目标响度值这样观众连续观看的时候不会觉得音量忽大忽小。第十二个场景检测与章节生成 Skill。它能自动识别场景切换点并生成章节标记。输出格式支持常见视频平台的章节格式。做长视频的时候这个功能能省大量手动标记的时间。5. 选型与组合怎么搭出一套顺手的视频处理流水线单个 Skill 好用是一回事把它们组合成一套流水线又是另一回事。这一节我讲讲我的组合思路以及一些实操中总结的经验。5.1 按任务类型选而不是按 star 数选这是我最想强调的一点。很多人选 Skill 的习惯是看 star 数觉得 star 高的肯定好。但实际用下来star 数和好用程度的相关性没那么强。原因很简单star 数反映的是有多少人觉得这个项目有意思而不是这个项目在具体任务上表现如何。一个 star 数 5000 的通用视频工具在处理某个特定任务时可能还不如一个 star 数 20 的专用 Skill。我的选型逻辑是先明确任务类型再在对应分类里找。比如你要做的是把一批视频压到指定大小那就去转码压缩类里找重点看它是否支持目标大小反推、是否支持批量、是否有失败重试。这些功能点比 star 数重要得多。5.2 一条典型的处理流水线长什么样我拿一个实际场景来举例假设你要把一段长录屏做成一个带字幕、带章节、体积可控的教程视频。我的流水线是这样的分析阶段先用场景检测 Skill 识别场景切换点用元数据 Skill 读取源视频的分辨率、帧率、码率。剪辑阶段用去静音 Skill 剪掉静音段用拼接 Skill 把需要的片段接起来。字幕阶段用语音转字幕 Skill 生成初稿用时间轴微调 Skill 对齐用样式自适应 Skill 调整样式。音频阶段用响度标准化 Skill 统一音量。输出阶段用智能码率适配 Skill 控制体积用转码 Skill 输出最终文件。这条流水线跑下来基本能覆盖大部分教程视频的制作需求。每一步用的都是专门的 Skill各司其职比用一个大而全的工具硬扛要靠谱得多。5.3 组合时的三个注意事项第一注意依赖冲突。不同 Skill 可能依赖不同版本的 ffmpeg 或者不同的 Python 库。装之前先看清楚依赖说明避免装完发现跑不起来。第二注意中间文件管理。流水线跑起来会产生大量中间文件。建议给每个任务建一个独立的工作目录处理完再清理。不然磁盘很快就满了。第三注意参数传递。上一个 Skill 的输出格式要能被下一个 Skill 正确读取。比如场景检测输出的时间戳格式要和剪辑 Skill 接受的格式一致。这个在组合前最好先小规模测试一下。6. 装 Skill 之前这些坑我替你踩过了最后这部分我想聊聊实操中遇到的一些问题。这些坑文档里通常不会写但实际用的时候大概率会遇到。6.1 环境依赖是最常见的翻车点视频处理 Skill 几乎都依赖 ffmpeg。而 ffmpeg 的安装在不同系统上差异很大。我遇到过好几次Skill 本身没问题但因为 ffmpeg 版本太老某些参数不支持导致执行失败。我的建议是装 Skill 之前先确认 ffmpeg 版本。大部分现代 Skill 需要 ffmpeg 4.0 以上有些需要 5.0 以上。用ffmpeg -version看一眼版本太低就先升级。另外ffprobe 通常和 ffmpeg 一起安装但有些精简版安装包会把它漏掉。而很多分析类 Skill 依赖 ffprobe。装完记得验证一下。6.2 路径和编码问题比想象中普遍处理中文文件名、带空格的文件名、带特殊字符的文件名时很多 Skill 会出问题。这不是 Skill 的错而是 shell 命令本身的坑。我的经验是处理前先把文件名规范化。把中文改成英文把空格改成下划线把特殊字符去掉。这一步看起来多余但能避免大量莫名其妙的失败。编码问题也类似。有些 Skill 输出的字幕文件默认是 UTF-8但某些播放器需要 GBK。这个在输出阶段要注意指定编码。6.3 大文件处理要有耐心也要有策略处理几个 GB 的大文件时很多操作会非常慢。这时候不要傻等要有策略先做小样测试拿视频的前 30 秒做测试确认流程跑通再处理完整文件。善用硬件加速如果机器支持开启硬件加速能快好几倍。但要注意硬件加速的输出质量可能略低于软件编码。分而治之把大文件切成小段分别处理最后再合并。这样即使中途失败也不用从头再来。6.4 关于冷门 Skill 的维护风险这一点必须说清楚冷门 Skill 因为 star 数低作者可能已经不再维护了。你装上去能用但遇到问题可能没人解答依赖更新也可能跟不上。我的应对策略是优先选那些代码结构清晰、文档完整的冷门 Skill。哪怕它不更新了只要代码能看懂自己改改也能用。反过来如果一个冷门 Skill 代码写得一团糟、文档也没有那就算功能再诱人我也建议慎重。另外建议把用到的 Skill 做个本地备份。万一哪天原仓库删了你手里还有一份。6.5 一个我自己的小技巧最后分享一个我自己的做法我会给常用的 Skill 建一个速查表记录每个 Skill 的关键参数、常用命令、以及我踩过的坑。用的时候直接查表不用每次都翻文档。这个速查表我建议用 Markdown 写放在项目根目录。时间长了它就变成了你自己的知识库。而且当你换机器或者重装环境的时候照着速查表走一遍很快就能恢复工作状态。视频处理这个方向Skill 生态还在快速变化。今天盘点的这 180 个过几个月可能就变成 250 个了。但分类的逻辑、选型的思路、以及那些踩坑经验是不会过时的。希望这篇盘点能帮你少走点弯路把 Claude Code 真正用成一个能处理视频的得力助手。