https://jiajia.fun/qa/e80110d1-%E6%88%91%E6%9C%89%E4%B8%80%E4%B8%AA%E7%BD%91%E9%A1%B5-%E4%BA%A7%E5%93%81-%E9%A1%B9%E7%9B%AE-%E9%9C%80%E8%A6%81%E5%81%9A%E6%88%90%E8%A7%86%E9%A2%91%E6%BC%94%E7%A4%BA%E6%95%88%E6%9E%9C%E4%B8%8E%E4%BA%A7%E5%93%81%E5%8A%9F%E8%83%BD-%E6%9C%89%E4%BB%80%E4%B9%88sop-skill%E8%83%BD%E5%AE%9E%E7%8E%B0%E4%BA%A4%E4%BA%92%E5%89%AA%E8%BE%91%E6%BC%94%E7%A4%BA%E7%9A%84%E8%87%AA%E5%8A%A8%E5%8C%96%E7%AB%AF%E5%88%B0%E7%AB%AF%E5%AE%9E%E7%8E%B0%E5%91%A2

# 我有一个网页/产品/项目，需要做成视频演示效果与产品功能，有什么sop/skill能实现交互剪辑演示的自动化端到端实现呢？

回复 群友 6334 结论先说：这事儿没有现成的一个 skill 能一键做完，但完全可以做成端到端流水线；关键是要把它拆成“drive（驱动）+ record（录制） + 合成 + 配音字幕”四段，每段都有成熟工具，再由 agent 把它们串起来。 先说容易踩的坑：市面上的“AI demo 视频生成器”其实分两类，一类是用头像口播（Synthesia、HeyGen、Tavus），根本不录你的产品；另一类是捕捉真实产品（Guidde、Supademo、Arcade），但它们都是人工点击录制，改一次 UI 就得重录一遍。你需要的是第二类里可自动化的那种。 我建议的 SOP 是这样： 第一步，写一份“演示脚本”，用文本形式表达，不要手点。格式就是一条路径：打开哪个页面、等哪个选择器、点哪个按钮、输入什么、截图/停顿几秒、旁白说什么。这份脚本是唯一事实源，产品改了就改脚本，不要重录。这就是你自己的 skill：给 agent 的执行规范，包含前置条件（起服务、种子数据、登录态）、每个动作的定位方式和失败重试规则。 第二步，用 Playwright 驱动浏览器，同时录制。Playwright 本身就支持录制视频（config 里打开 video），现在新版本还加了 Screencast API，可以在录制时叠加动作高亮和注释，交出来的东西不只是原始录屏，而是“带标注的证据视频”。登录态用 storageState 复用，不要把密码写进脚本。我这边查到 Playwright 确实出了这版能力，但具体是哪个版本号我这次没抓到原文核对，你装最新版看 release notes 确认下。 第三步，合成。这条最值得投入的是 Remotion：视频即代码，用 React 写组件来编排画面，能插入转场、假光标、放大局部、高亮框、字幕条，还能批量渲染出 MP4。好处是它跟你的 UI 一样是版本化的，CI 里跑一遍就出片。如果你的演示是纯产品交互、不需要花哨包装，那 Playwright 直录 + 少量剪辑就够；如果要“营销片质感”，Remotion 是主力。 第四步，配音和字幕。旁白用 TTS（OpenAI TTS、ElevenLabs 之类）从脚本里的旁白字段直接合成，字幕从旁白文本生成，别用语音识别回推，会抖。时间轴对齐的方式是让 Remotion 按“每段动作的时长”排布，而不是猜。 还有一条更省事的路：如果你不想自己搭，有 screencli 这种开源 CLI，专门给 agent 用——告诉它目标，agent 自己驱动真实浏览器点完整个流程并录成干净视频，支持登录态和 CI 触发，还输出可分享的托管链接。适合每发一版重新生成。但它的模板/包装能力比 Remotion 弱，想加品牌动画还是得自己合成。 所以落地建议：脚本 + Playwright 录制 + Remotion 包装，三件套做成一个 agent skill 挂进你的 CI 或 coding agent；先手跑通一条 30 秒的 happy path，跑通之后加旁白和字幕，最后才考虑美化。别一开始就追求“全自动剪出宣传片”，那是最后一个才该优化的环节。 如果你想，可以把你项目是什么类型（Web app？有登录吗？几个核心流程？）说一下，我给你把这段 skill 的具体目录结构和入口脚本列细一点。
