第一部分：Agent 认知升级
今天不聊工具，聊三个我最近踩坑后想明白的事。
观点一：AI 用得越累，说明你的方法错了
很多人用 AI 的感受是：事情变多了，更累了。
我自己也经历过这个阶段。以前我让 Agent 帮我做内容，每个环节都要我手动触发、手动检查、手动传递。选题要我盯，素材要我审，初稿要我改，排版要我确认。以前管一个流程，现在管六个 AI，更累了。
后来我想明白了：我把 AI 当成了六个”更快的工具”，而不是一个”能自己跑流程的员工”。
区别是什么？工具是你喊一下动一下，员工是你定了目标它自己想办法。
后来我把整条链打通了：选题→素材→写作→去AI味→配图→发布，Agent 自己跑，我只在最后看一眼成品。
现在我给自己定了一个标准：如果一个流程需要我频繁介入，说明这个流程还没有真正 Agent 化。 我要做的是把流程设计好，让 AI 主导执行，我只负责定义目标和判断结果。
不是”有没有用 AI”，而是”AI 是在帮你做事，还是在帮你管流程”。
观点二：AI 不行，大概率是你的问题定义不行
我以前也经常抱怨：AI 生成的内容不行、写的方案不靠谱、回答的不是我要的。
后来我发现，大多数时候不是模型不行，是我没把问题说清楚。
举个例子。你让 AI”帮我写一篇公众号文章”，它写出来你大概率不满意。但如果你说”帮我写一篇面向大学生的AI工具测评，1500字，风格参考XX，核心卖点是XX，不要用’首先/其次/最后’这种结构”——效果完全不一样。
同一个模型，同一个任务，结果天差地别。差别在哪？在你给的上下文。
我现在做任何 Agent 任务，第一件事不是写 Prompt，而是想清楚三个问题：
- 我到底要什么？（目标）
- 什么算好？什么算差？（标准）
- 有哪些边界不能碰？（约束）
想清楚这三个问题再给 AI，效果会好很多。
幻觉的本质不是 AI 笨，是你没给够上下文。
观点三：以前你在等 AI，现在 AI 在等你
以前我用 AI，是我在等它：我给它一个指令，它去干活，我在后面等结果。
现在反过来了。我同时开着好几个 Agent 在跑：有的在整理知识库，有的在写内容，有的在做数据抓取。它们执行速度很快，但我经常要停下来想：这个方向对不对？这个结果我要不要？下一步该做什么？
瓶颈不再是”AI 能不能做到”，而是”你能不能想清楚要什么”。
这句话对我冲击很大。我以前总觉得是 AI 不够强、模型不够好、工具不够多。但现在我的判断是：有想法的人，在 Agent 时代会迎来最好的时代。
你不需要会写代码，不需要会搭系统，你只需要想清楚：我到底要解决什么问题？我怎么判断结果好不好？
技术可以找人帮你做，甚至可以让 AI 帮你做。但”想清楚要什么”这件事，AI 替不了你。
一个可以马上试的动作
下次你用 AI 的时候，别急着写 Prompt。先花3分钟回答上面那三个问题：目标、标准、约束。
把答案写下来，再给 AI。你会发现效果完全不一样。
这不是技巧，是思维方式的切换。从”AI 帮我做事”到”AI 帮我管流程”，中间只差一个”想清楚”。
有问题群里聊。
第二部分：视频转录流程
今天聊一个我花了三个月才跑通的流程——视频转录。
为什么我要做视频转录？
先说一个我自己的真实场景。
我平时刷B站、刷抖音、刷X，看到一个视频标题不错，点进去看了一会儿，发现确实有价值。但接下来怎么办？收藏了，然后？再也没有打开过。
为什么？因为成本太高了。点开看20分钟，如果内容一般，亏了；如果内容有价值，但看完了记不住，也亏了。
这个问题困扰我很久，直到我想明白一件事——
视频转录对我的意义，不是「把视频变成文字」，而是「把被动消费变成主动筛选」。
我转录一段视频，表面看是得到一篇文字稿。但实际做的是：把「要不要看这段视频」的决策成本，从20分钟降到了3分钟。
我先看文字稿，判断这段值不值得花时间看视频。如果值得，再去看原版。如果不值得，直接划走。
这跟我的知识管线流程是一样的逻辑——入口决定成本。知识管线的入口是「投喂」，我把一篇文章丢进去，AI自动提取要点、自动判断价值、自动归档。视频转录就是知识管线的「视频入口」。只不过这次喂进去的是视频，吐出来的是文字稿，再走同样的管线流程。
我现在跑通了九个平台
按难度从低到高说，重点说我自己实测过的。
1. YouTube：直接下载字幕，不需要ASR
这是最容易的平台。YouTube 有官方字幕系统，不需要下载视频，也不需要 ASR 转录。
直接用 yt-dlp 下载字幕文件：
yt-dlp --write-auto-sub --sub-lang zh,zh-Hans,en \
--skip-download --convert-subs srt \
--proxy "http://127.0.0.1:7890" \
-o "/tmp/yt_%(id)s" \
"https://www.youtube.com/watch?v=VIDEO_ID"下载下来的是 .vtt 字幕文件，用脚本解析成纯文本就行。英文自动字幕质量不错，中文的可能有较多错误，需要用 LLM 纠错。
2. B站：三层降级，不能跳步
这是最重要的一个平台，也是我踩坑最多的。铁律是三层降级，不能跳步：
第一层：UP主自带CC字幕（最高质量，优先用）
- 用
yt-dlp --cookies <cookie文件> --list-subs先检查有没有CC字幕 - 有的话直接下载，质量最好
第二层：B站AI字幕（大多数中文视频都有）
- 第一层没有 → 试
ai-zh字幕 - 必须带Cookie，不带Cookie的API返回空列表
第三层：下载音频 + MiMo-V2.5-ASR（最后手段）
- 前两层都没有 → 走这层
- 我现在用的是 MiMo-V2.5-ASR（小米的模型)，比 Whisper 准
- 服务器没GPU，用的是云端API
yt-dlp --cookies ~/.hermes/.bilibili_cookies.txt \
--write-subs --sub-langs ai-zh --sub-format srt --skip-download \
"https://www.bilibili.com/video/BVxxx"3. 抖音：先找B站同源，再走降级
抖音反爬很强，直接爬几乎不可能。方案是先找同源：
第一层：搜B站同源视频（最优先）
- 用
mcp_tavily搜索{创作者名} {视频标题关键词} site:bilibili.com - 找到B站镜像 → 走B站标准流程
第二层：抖音视频信息提取
- 用 Tkafeng-Analyzer 提取视频信息
- yt-dlp 下载音频（需要Cookies）
第三层：MiMo-ASR转录
- 下载音频 → MiMo-V2.5-ASR
- 评论采集也可以顺便做，评论区有时候比视频还精彩
4. 小宇宙：播客转录最值
播客音频干净，没有画面干扰，转录准确率非常高。
yt-dlp -x --audio-format mp3 "播客URL"Fast Whisper medium 模型转录。播客转录做完之后，字幕文件直接丢进知识管线——自动提取核心要点、自动归档。
5. X（原Twitter）：视频转录
X 上的视频，用的是和B站类似的方案——yt-dlp 下载音频 + Fast Whisper 转录。
X 的特殊性是视频内容比较碎片化，很多是观点类短视频。这种内容转录价值反而高——看完觉得有道理，直接存下来。
6. 微信公众号：腾讯视频
公众号的视频实际上是腾讯视频的内容。处理流程：
# FFmpeg 降噪（有些现场录音质量差）
ffmpeg -i input.mp3 -af "anoisesocket=s=0.01:a=0.01" output_denoised.mp3
# yt-dlp 下载
yt-dlp -x --audio-format mp3 "视频URL"
# Fast Whisper 转录
python3 -m faster_whisper input.mp3 --model medium --device cuda竖版视频音频质量参差不齐，背景噪音大的要先降噪再转录。如果音频实在太差，直接放弃转录，人肉看一遍。
7. 视频号：用 wx_channels_download 本地自动下载
视频号的 API 不对外开放，用的是 GitHub 上一个开源项目（https://github.com/ltaoo/wx_channels_download）。
本地用这个工具自动下载视频，然后 Fast Whisper 转录。
最近用这套流程把 Stormzhang 视频号直播回放的5个视频全部转录完成。25,000多段字幕，1.5MB文本，总共花了四十多分钟。
8. 飞书文档：lark-cli 读取文档结构
有时候在飞书文档里看到别人分享的内嵌视频，感兴趣但下不了。用 lark-cli 读文档结构，找到视频 token，再走后续转录。
lark-cli docs +fetch --doc 文档token9. 小鹅通：图文直接提取，音频 API 获取直链
小鹅通是个比较特殊的平台，课程类型多，处理方式也不同。
图文课程（最简单）
- 直接用 API 提取课程文字内容，不需要下载
音频课程（有直链）
- 用 API 获取音频直链（mp3，不需要解密）
- 直接下载 mp3，再走 ASR 转录
视频课程（比较复杂）
- m3u8 加密流，需要防盗链验证
- Cookie + Referer 头才能下载
- 用 FFmpeg 提取音频再转录
小鹅通比较麻烦的是登录问题，需要微信扫码或者手机号加图形验证码。我现在的方案是直接在本地跑，拿到 Cookie 之后批量处理。
转录之后的处理：才是真正的重点
转录不是终点，是知识管线的起点。
标准流程：
- 原始字幕文件（SRT/VTT 格式）
- 数据清洗脚本处理格式问题——时间戳对齐、去重、分段、语气词清理
- LLM 纠错——自动修正转录中的错字、专有名词
- 丢进知识管线——自动提取核心要点、归档到概念节点
- 优质内容生成「来源摘要页」
这里重点说一下数据清洗脚本。我之前写了一个新的 hcn_pipeline.py，核心功能是：
- 字幕解析：把 VTT/SRT 时间轴格式转成纯文本
- 去重：同一个意思反复说的，只保留一次
- 分段：按语义和标点重新组织段落
- 语气词清理：把「那个那个」「呃呃呃」去掉
- LLM纠错：用 AI 修正专有名词、标点、明显错字
- 结构化摘要：自动生成 📌摘要 🎯要点 💡洞察 🔗适用场景
整套流程跑通之后，我看视频的方式变了：
以前：刷到就看 or 收藏了不看
现在：3分钟扫文字稿 → 判断值不值得看视频 → 值得再看
成本从「要不要花20分钟」变成了「要不要花3分钟」。
一个可以马上试的动作
把你自己的使用场景和已有的工具发给你的agent，让他帮你设计一个专属的视频转录方案。
比如你平时刷哪些平台，用什么设备、想怎么处理转录结果——我根据你的情况，帮你搭一套可以直接用的流程。
工具清单
- yt-dlp：视频/音频下载（支持B站、抖音、小宇宙、YouTube、X等）
- Fast Whisper：本地转录（RTX 4060 CUDA float16，medium 模型）——所有平台通用
- MiMo-V2.5-ASR：云端转录（备用，没有独显的时候用）
- wx_channels_download：视频号下载（https://github.com/ltaoo/wx_channels_download）
- lark-cli：飞书文档读取
- FFmpeg：音频降噪预处理
- hcn_pipeline.py：数据清洗脚本（今天刚写的）
- Tkafeng-Analyzer：抖音视频信息提取
- 小鹅通：图文直接提取，音频 API 直链，视频走 m3u8+FFmpeg