2026 年 8 月 15 日，browser-use 团队在 GitHub 建立了 video-use 仓库。两周后，它以单日新增 509 星的速度登上 GitHub Trending，总星数 22,890。功能用一句话可以说完：把一个文件夹的原始素材交给 Claude Code，说一句「把这些剪成一支发布视频」，然后收下 final.mp4。没有时间线界面，没有预设模板，剪辑决策全部由编码智能体在对话中完成。
官方横幅截图记录了一次真实运行：Claude Code 在 Opus 4.6（1M 上下文）下接管一支 45 秒的发布视频，素材 13 个 take。智能体先做素材清点（ffprobe + 批量转写 + 转写打包），再扫一遍口误，然后向用户提出策略并停下等待确认，后续的 EDL 构建、动画生成、渲染自检才依次展开。这套流程被写进仓库的 SKILL.md，也是理解这个项目的入口。
装进技能目录的剪辑台
video-use 的交付形态是一个智能体技能目录，而非独立应用。安装分四步：把仓库克隆到稳定路径（官方明确建议 ~/Developer/video-use，不要放 /tmp 或下载目录），用 uv sync 或 pip install -e . 装 Python 依赖（requests、librosa、matplotlib、pillow、numpy），brew install ffmpeg 补上硬依赖，最后把 ElevenLabs 的 API Key 写进 .env。可选的 yt-dlp 用于直接拉取线上视频源。
安装完成后，把仓库软链到智能体的技能目录（Claude Code 是 ~/.claude/skills/video-use/，Codex 是 ~/.codex/skill）就完成了注册。README 提供了一段安装提示词，粘进 Claude Code、Codex、Hermes 或 Openclaw 等任何有 shell 权限的智能体即可，由智能体自己完成克隆、依赖安装、技能注册，只在需要 API Key 时向用户要一次。日常使用同样是对话驱动：在素材目录启动智能体，说「把这些剪成一支发布视频」，智能体盘点素材、提出策略、等用户点头，然后在素材旁边的 edit/ 目录产出成片。
LLM 不看帧，读文字
video-use 最值得展开的是它的输入表示。视频对大模型的默认形态是一长串帧：按每秒 1 帧抽样，一段素材就是上万张图。仓库 README 给了这笔账——30,000 帧 × 每帧 1,500 token，约 45M token 的上下文，其中绝大部分是冗余画面。video-use 的做法是把视频「读」出来：一条 ElevenLabs Scribe 转写调用拿到词级时间戳、说话人分离和音频事件标注（(laughter)、(applause)、(sigh)），所有素材打包成一个约 12KB 的 takes_packed.md，作为大模型的主要阅读视图。
打包文件的每一行都带精确到百分之一秒的时间区间。仓库里的示例长这样：
## 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.短语在静音超过 0.5 秒或说话人切换处断开。剪辑决策依赖的第二层输入是按需生成的视觉合成图：timeline_view.py 对任意时间区间输出一张 PNG，包含胶片条、说话人轨道、波形、词级标签和候选切点。SKILL.md 专门强调它只该出现在决策点——模糊的停顿、备选 take 的对比、切点复核——而不是当作扫描工具全程调用。
README 把这个思路类比为 browser-use 本身的设计：给大模型结构化的 DOM，而不是屏幕截图。这里是给大模型带时间戳的文本，而不是帧序列。
十二条硬规则与剪辑工艺
从转写到成片之间，SKILL.md 划出了 12 条硬规则，全部围绕「偏离即静默失败」的环节。几条有代表性的：字幕必须在滤镜链最后应用，否则叠加动画会盖住字幕；每个片段单独抽取后用无损 -c copy 拼接，避免单趟滤镜图把所有片段二次编码；每个片段边界做 30ms 音频淡入淡出，消除切点的爆音；叠加动画用 setpts=PTS-STARTPTS+T/TB 平移到窗口起点；主字幕文件按输出时间轴重算偏移（output_time = word.start - segment_start + segment_offset），否则拼接后字幕错位。
剪辑工艺部分给出了一组可以直接抄的数字。切点永远吸附在词边界上，绝不切进单词内部；每个切缘留 30–200ms 的缓冲，吸收 Scribe 时间戳 50–100ms 的漂移；说话人交接处留 400–600ms 空气感，快节奏内容再收紧；超过 400ms 的静音是最干净的切点，150–400ms 的短语边界需目检确认，低于 150ms 视为不安全。笑声、叹气、掌声这类音频事件被当作节拍信号，切点向后延展把反应收进来。仓库自带的这支发布视频用了 50ms 前置、80ms 后置的切缘缓冲。转写按源文件缓存，源不变就不重转；ASR 只用词级逐字模式，短语模式和规范化填充词都被排除，因为前者丢失亚秒级间隙，后者丢失编辑信号。
动画叠加走并行子代理
成片的视觉层由四条动画引擎承接：HyperFrames、Remotion、Manim 和 PIL。每个动画在 animations/slot_<id>/ 目录里独立成一个槽位，由智能体并行派生子代理同时构建，总耗时约等于最慢的一个——SKILL.md 明确禁止串行执行。HyperFrames 需要 Node.js 22+，Remotion 可以用 npx create-video@latest 现场脚手架，Manim 的技能文件直接内嵌在仓库里（vendored skills/manim-video/）。动画引擎全部延迟安装，项目第一次真正用到才装。
调色走独立的 grade.py，内置预设，也接受自定义 ffmpeg 滤镜链。渲染由 render.py 收口：逐段抽取、拼接、按 PTS 平移叠加动画、最后压字幕，--preview 出 720p 快速版，--build-subtitles 在渲染中生成主字幕文件。
渲染后的自检回路
video-use 在把预览交给用户之前，先自查一遍。自检的对象是渲染输出本身：对成片的每个切点区间跑 timeline_view，检查画面跳变、边界波形尖峰（漏网的音乐爆音）、被叠加层遮住的字幕、错位的动画。另外抽样首尾各 2 秒和中间 2–3 个点，核对调色一致性与字幕可读性，再用 ffprobe 验证成片时长与 EDL 预期一致。发现问题就修复、重渲、复检，上限 3 轮，仍有问题就把问题清单交给用户而不是继续循环。只有自检通过，用户才会看到预览。
多 take 的择优还有一条专门路径：派一个编辑子代理，在打包转写上按节拍挑每个位置最好的 take，把人工剪辑里最耗时的对素材环节压进文本层。
会话记忆留在素材旁边
edit/ 目录是完整的会话现场：project.md 追加每次会话的记忆，下周再剪同一支视频时智能体从这里恢复上下文；takes_packed.md 是阅读视图，edl.json 存剪辑决策，transcripts/ 存缓存的原始转写 JSON，clips_graded/ 存带调色和淡入淡出的分段抽取，master.srt 是输出时间轴的字幕，verify/ 存自检用的调试帧。SKILL.md 的规则是会话产物全部留在素材目录，不污染 video-use 仓库本身。想常驻的话，官方提供了 Browser Use Box，把智能体挂在 VPS 或 Telegram 上随时接单。
编码智能体正在自带运行时
video-use 上榜的同一天，Simon Willison 在博客上记录了另一个细节：OpenAI 的 Codex 桌面应用（现已并入 ChatGPT 品牌）在 ~/.cache 里藏了 1.7GB 的 codex-primary-runtime，内含完整的 Python 和 Node.js 运行时，以及 Poppler、git 和 LibreOffice 的原生二进制——其中 libreoffice-headless 占 429.7MB，配套的技能文件教 Codex 如何找到并使用这些二进制处理文档。
两件事放在同一周发生，指向同一个方向：编码智能体的能力边界正在从「写代码」向「操作桌面软件」扩张，而扩张的方式是把传统软件整体搬进自己的运行时或技能目录。video-use 选择了轻的一端——ffmpeg 加转写 API 加一个技能文件就构成剪辑台；Codex 选择重的一端——直接内嵌 LibreOffice。剪辑软件和办公软件都是智能体下一个学期的课程表，区别只在挂载方式。
仓库地址：browser-use/video-use（MIT 协议，含安装文档与示例转写）。Codex 内嵌整套运行时的发现来自 Simon Willison 9 月 1 日的博客笔记。