做出 browser-use 的那个团队，最近又开源了一个新项目。video-use——一个 100% 开源的 AI 视频剪辑 Skill，装到 Claude Code 或 Codex 里就能用。上线才 2 个多月，Star 已经冲到 1.3 万，最近还登上了 GitHub 开源日榜。
video-use 是什么
你把拍摄的原始素材扔进一个文件夹，启动 Claude Code，跟它说一句"剪成发布视频"。它会自己扫素材、提剪辑方案、等你确认，然后开始干活，最后在同目录的 edit/ 文件夹里给你一个 final.mp4。
除了 Claude Code，Codex、Hermes、OpenClaw 这些有 shell 权限的 Agent 都能跑。官方说口播、Vlog、教程、旅行、访谈等内容类型都能剪。
让 AI 读文本，绕开视频帧
这是整个项目最有意思的地方。让 AI 剪视频，最朴素的做法是把视频拆成一帧一帧的图片，丢给多模态模型看。但算一下账：一段 20 分钟的素材，按 30 帧每秒算，加起来 3 万多帧。每帧按 1500 token 算，总共要 4500 万 token。成本先不说，光这个信噪比就烂透了。
video-use 换了个思路，分两层：
第一层是音频转写。用 ElevenLabs 的 Scribe 模型，把整段素材转成带词级时间戳的文本，谁在说话、什么时候停顿、什么时候有笑声和掌声，都能识别。最后会把所有素材打包成一个约 12KB 的 Markdown 文件，作为 LLM 的主要阅读视图。
第二层是按需调用的可视化合成图。当 LLM 遇到拿不准的地方，它会调用 timeline_view 工具，生成一张胶片条加波形加字幕标签的合成图，只在需要重点决策的时候才用。
这套思路跟 browser-use 一脉相承。browser-use 当年是给 LLM 结构化的 DOM，让它不用看浏览器截图就能在文本里推理。video-use 把同一套思路搬到视频上，LLM 推理的输入是文本，绕开了每一帧像素。12KB 文本加几张合成图，就能干 4500 万 token 帧的活。
把 AI 剪辑做成工程
video-use 最后还有一道工序：自评估。整个剪辑流水线是：转写 → 打包 → LLM 推理 → 生成 EDL（剪辑决策表）→ 渲染 → 自评估。
自评估会在渲染完之后，在每个切点边界回放检查，看视觉跳变、音频爆点、字幕遮挡这些常见问题。发现问题就修，最多重渲染 3 次。只有通过自评估的版本，才会作为预览给到用户。
SKILL.md 里还列了 12 条规则，把 AI 剪辑从一次性生成变成了有质量兜底的工程流程。比如：
- 字幕必须最后应用，不然会被动画遮挡
- 每个切点都加 30ms 音频淡入淡出，杜绝爆音
- 切点必须卡在词边界，不能切在词中间
- 每个切边要预留 30-200ms，因为 Scribe 时间戳会有 50-100ms 漂移
- 多个动画用并行子 Agent 生成，谁也不等谁
如何使用
一键安装：把 Prompt 复制给 Claude Code，让它自己装：
给我安装 https://github.com/browser-use/video-use
剩下的 Agent 自己会读 install.md 处理。
需要准备的就一个 ElevenLabs API key（Scribe 转写要用），去 elevenlabs.io 注册就能拿到。
装好之后，把素材放进一个文件夹，在那个文件夹里启动 Agent，告诉它你的剪辑诉求，剩下的它自己处理。
苏米注：video-use 最值得关注的不是"AI 能剪视频"这件事，而是它解决问题的思路——把视频转成 12KB 的文本让 LLM 处理，而不是喂 4500 万 token 的帧。这和 browser-use 用结构化 DOM 代替浏览器截图的思路完全一致。把高信噪比的结构化信息给 AI，而不是把原始像素丢给它，这可能是 AI Agent 处理多媒体内容的正确方向。
GitHub：browser-use/video-use