dy-note

DyNote 是面向 Codex 这类 Agent 的抖音学习工具，不是一次性摘要器。核心原则是“数据资产先行，学习笔记后置”：先把字幕/转写、评论、元数据和 AI 快读沉淀为可复用资产，再按用户需求生成可追溯的学习笔记、总结和写作材料。默认目标不是字幕工程文件，而是先落一份原始数据包：douyin_ai_brief.md、douyin_ai_brief.json、transcript.cleaned.md、transcript.txt、segments.json、metadata.json、note_budget.json，并用 assets/ 归档可复用资产。默认把独立字幕轨或本地自动语音识别转写当作事实主干；当转写密度低、任务需要画面理解或用户只要快速筛选时，再用已登录抖音网页版的“问AI / 识别画面”补充，豆包只作为抖音 AI 不可用时的备用快读或待核验假设。 联网或登录态操作必须先使用 web-access。不要读取、复制或打印 Cookie、msToken、a_bogus、x-secsdk-web-signature、临时签名视频 URL 等敏感参数；脚本只让已授权 Chrome 页面自己加载内容。 DyNote 与 Bili Note 共享可复用本地资源。默认共享目录是 %USERPROFILE%\.cache\rimagination-notes，Qwen3-ASR 环境默认是 %USERPROFILE%\.cache\rimagination-notes\qwen3-asr-venv。如果任一 skill 已经安装过 Qwen3-ASR，另一个 skill 必须优先复用，不要重复安装。Hugging Face、Whisper 和 faster-whisper 缓存按本机通用缓存复用。

• 抖音内置 AI 和豆包备用路线都只使用 web-access 连接到用户当前可用的 Chrome。不要启动无登录态 Playwright 浏览器，不要用静态 curl 抓登录页，不要导出或保存 storageState、Cookie、localStorage 或 token。 • 抖音内置 AI 路线需要当前 Chrome 已登录抖音网页版。它主要用于低转写密度、画面文字、镜头/场景或快速筛选；打开视频后使用页面右侧 问AI，必要时点击可见的 识别画面 把当前帧加入问答上下文。 • 如果抖音页面没有 问AI / 识别画面 或未生成 章节要点，记录为 weak 或 blocked，先确保字幕/本地自动语音识别事实主干可用，再考虑豆包备用、关键帧或 OCR。 • 在向豆包发送内容前，必须确认 https://www.doubao.com/chat/ 在当前 Chrome 中已登录且有可见聊天输入框、侧边栏/新对话等用户态界面。 • 如果未检测到豆包登录态，停止并返回 blocked: doubao-login-required，提示用户先在同一个 Chrome 登录豆包。不要静默降级到其他浏览器。 • 豆包备用快速解读优先使用用户复制的完整抖音分享文本，不要只喂最终 douyin.com/video/...，因为完整分享文案更容易触发豆包的搜索/参考资料式视频概述。 • 豆包输出需要做证据分级：search-derived 是检索式概述，visual-claimed 是声称包含画面/镜头细节，blocked 是豆包无法访问视频画面，weak 是信息不足。不要把检索式概述说成逐帧视觉解析，也不要让豆包替代完整字幕或本地转写。

抖音和 B 站不同：很多抖音视频没有可直接抓取的独立字幕文件。先按用户任务分流，不要固定把所有视频都下载转写。 • 用户只是问“这个视频讲什么”、想做选题筛选、草稿或快速理解时，可以走已登录抖音网页版内置 AI 快读；但输出必须标注为快读/视觉假设，不写成完整字幕提取。已有 douyin_ai_brief.json 时先复用；如果不可用，再用豆包 fast 备用。 • 用户要学习笔记、可靠原文、逐句内容、引用、脚本拆解、事实核查或可发布材料时，先找已有 SRT/VTT/TXT；没有可用字幕轨或转写时，主要依赖本地自动语音识别。中文或未指定语言优先共享 Qwen3-ASR，明确外语视频再用 Whisper 系后端。 • 用户要镜头、画面文字、贴纸文字、操作步骤、商品/价格/场景细节，或 note_budget.json 显示转写密度低时，不能只靠音频转写；优先补抖音 问AI / 识别画面、关键帧、截图或 OCR。抖音 AI 仍不能提取完整字幕；豆包 evidence 只作为抖音 AI 不行时的备用视觉假设。 抖音字幕常见两种形态： • 独立字幕轨：创作者使用平台字幕功能或上传 SRT 后，网页播放器可能叠加渲染 VTT 字幕。若能抓到这类轨道，可作为逐句文本材料。 • 画面内嵌文字：字幕、贴纸或手动排版文字已经焊在画面里，没有独立文件。音频转写只能识别人声，不能读取这类画面文字，必须补视觉证据。 如果视频较长，但 note_budget.json 中 visual_dependency.risk 为 medium 或 high，必须提醒用户：转写文本过少，完整理解可能依赖画面，不能把稀疏本地自动语音识别结果写成完整笔记。抖音问 AI、豆包和关键帧结果必须作为补充证据审计，不能替代原文主干。

先判断用户真正要完成的任务，再决定证据深度和工具路线： • single-video-note：默认模式。单条视频/分享文本 -> 字幕/本地自动语音识别做事实主干；转写稀疏或任务需要画面时补抖音问 AI、关键帧/OCR；抖音 AI 不可用时豆包才作为备用假设，输出可读笔记。 • comment-insight：用户关心评论、痛点、需求、FAQ、反对意见或爆点反馈时，加载 douyin-comments。默认只抓前 100 条主评论及这些主评论的楼中楼，输出 _sample.json/csv，并明确提示这不是全部评论。用户明确要完整评论资产、复核全部可见评论或样本不足时，再用 --full 做全量抓取。抓到的 JSON/CSV 必须归档到 assets/comments/，再输出用户洞察，而不是只把评论写进一次性总结。 • account-analysis：账号主页或多条视频 -> 定位、内容支柱、钩子模板、系列化栏目、发布节奏和可复用选题。 • topic-research：话题、关键词、赛道、竞品或“自动搜索” -> 先低成本收集标题/简介/话题/样本链接，再按需要升级到 ASR、评论和关键帧。 • script-mining：拆脚本、镜头、叙事节奏、开头钩子、转场、结尾 CTA；脚本文案以字幕/本地转写为主，抖音内置 AI 或备用豆包只给画面假设，重要结论要用转写/抽帧校验。 • commerce-analysis：带货、本地生活、探店、课程或服务视频 -> 卖点、信任证据、价格/优惠、CTA、转化阻力和评论需求。 • fact-check：涉及医学、法律、投资、新闻或强事实判断时，区分视频原文、抖音内置 AI/豆包概述和外部来源；高风险结论必须联网核验并标注来源。 • knowledge-archive：用户要沉淀资料库、Obsidian、RAG 或写作素材时，保留来源 URL、作者、时间、证据等级、关键词和后续可检索标签。 成本分层默认从轻到重： • quick-pass：分享文本、页面元数据、抖音内置 AI，必要时备用豆包 fast；适合秒级判断、选题筛选和草稿，但必须标注不是完整字幕/全文证据。 • evidence-pass：独立字幕轨或 ASR 全文、关键帧/OCR、评论样本；适合要引用、拆解或发布的内容。 • research-pass：批量视频、账号/话题搜索、竞品对比和评论聚类；范围大时先给样本计划和 token/时间风险。