【源码 · 视界】根据字幕内容，自动切分知识点具体内容并生成方案

概述

课程知识点切片规划师

还在手动一帧帧对时间轴、剪完发现切了半截话？把直播回放字幕丢给我，3 分钟出 N 条可发抖音 / B站 / 视频号的成品方案。

别人花一整天手动切还总翻车；你交给本技能，全自动产出：精准知识点拆分、毫秒级起止时间、多平台引流标题与发布文案、一键 ffmpeg 切片命令、独立字幕片段——一份文档全包，复制命令即出片。

独门「三轮边界验证」：每个知识点开头对比前 15 句、结尾对比后 15 句，反复校验三次，切在知识点起止的干净边界——绝不切出半截话、绝不漏一句干货、绝不让你手动对时间轴。

零门槛 · 即装即用：无需会剪辑、无需会 ffmpeg、无需编程，纯中文交互。已基于 8 节真实直播课、5000+ 条字幕实测打磨。

适用场景：除常规创作外，本技能特别适合把课程、训练营、知识付费直播回放整理为可分发到抖音 / B站 / 视频号的短视频，将长内容转化为可引流的短内容矩阵，为你的自有课程或社群导流。

本技能源自「源码·视界」团队的实战流程——他们用同一套方法把 AI 直播课切片成短视频、持续为自有训练营导流，已沉淀多套完整课程的拆分经验。

普通切片 vs 本技能

• ❌ 普通切片：在第 58 句「是不是」处切断 → 观众看到半截话、留存暴跌。
• ✅ 本技能：三轮边界验证，每个知识点开头直入主题、结尾刚好讲完。

已基于 8 节真实直播课、5000+ 条字幕实测打磨，效果即装即用。

概述

将一段中文教学 / 直播回放的字幕（SRT），先与用户确认知识点数量 N 与频道调性，再精准切分为 N 个可独立发布的短视频知识点，为每个产出毫秒级起止时间、适合抖音 / B站 / 视频号的引流标题与发布文案，并附可直接执行的 ffmpeg 切片命令与字幕片段，最终交付一份 Markdown 切片方案文档。本技能只产出方案与资产清单，不实际剪辑视频。

何时使用

• 用户给出课程 / 直播回放字幕（SRT），要求划分知识点、给时间点、给标题、出方案。
• 用户强调对知识点开头、结尾反复对比前后文、验证三轮，确保边界准确。
• 与 course-video-kp（含转录与视频切片）的区别：本技能聚焦"内容策划方案 + 切片资产"，不生成 mp4 文件（但给出一键切片命令）。

硬性约束（必须遵守）

1. 每个知识点时长 ≤ 2 分钟（120 秒）。
2. 开头直入主题：必须是知识点的"起点句"，不能是半截话，也不能是承接上一段的过渡句。
3. 结尾收束完整：必须落在"老师刚好讲完该知识点"的收束句；不能是语气词（"是不是""对不对""好""就这样"等）、半截话或过渡到下一段的句子。
4. 时间精确到毫秒：直接引用 SRT 原始时间戳（格式 hh:mm:ss,mss）。
5. 取舍：N 段总时长远小于全课时长属正常，优先保留可独立成片的方法论 / 实操 / 认知干货，砍掉闲聊、作业点评、与课程无关的题外话。
6. 知识点数量 N 必须在开工前与用户确认：若用户已在请求中明确数量（如"划分 20 个"），直接采用；若未明确，必须主动询问用户"需要划分多少个知识点"（可给出建议区间，如 10~30，依据全课时长与每段 ≤2 分钟推算上限），确认后再开工。严格交付用户确认的 N 个，不多不少。

工作流

阶段 0 — 准备

• 确认知识点数量 N（必做，不可跳过）：若用户已明确数量，直接采用；若未明确，必须主动询问"需要划分多少个知识点"，可结合全课时长给建议区间（上限 ≈ 全课时长 ÷ 120s）。未拿到 N 不得进入阶段 2。
• 确认频道调性（必做）：开工前询问用户账号风格，选项中的一项：
  • 干货型（B站/知识号常见）：标题偏方法、数据、原理，如"帧率不是越高越好：24帧够用"。
  • 搞笑型（抖音常见）：标题偏反差、吐槽、情绪，如"一键成片？老师一句话把我整破防了"。
  • 悬疑型（视频号/泛知识）：标题偏悬念、痛点，如"为什么你的视频一卡一卡？答案藏在FPS里"。
  • 用户也可自定义一句描述，按其描述定调。标题与发布文案一律按此调性生成。
• 确认 SRT 与编码：wc -l "<srt>" 统计行数；若读取出现乱码，友好提示用户"请将字幕另存为 UTF-8 编码后重试"，不要抛出 Python 堆栈。记录总段数（≈行数/3~4），估算全课时长，提醒用户 N 段总时长上限（N×120s）与全课时长占比。
• 进度播报：通读大文件时实时告知"已读 X / Y 段"，长任务不让用户误以为卡死。

阶段 1 — 通读全文

• 用 Read 工具分段读取整份 SRT（每次约 1900 行，循环到末尾），不要只读一部分。
• 在笔记中梳理课程脉络（按主题聚类），例如：开场认知 → 概念原理 → 实操演示 → 模型对比 → 工具技巧 → 学习观。这是后续选段的基础。

阶段 2 — 划分知识点（初稿）

• 按主题脉络挑选 N 个知识点，每个 ≤ 120s。
• 为每个知识点确定起始段号 s 与结束段号 e；开始时间 = 段 s 首行时间戳，结束时间 = 段 e 末行时间戳。
• 多候选标题：每个知识点给 1 个主标题 + 2 个备选（不同角度/钩子），全部按阶段 0 确认的频道调性。
• 平台发布文案：对每个知识点产出可直接发布的文案块——标题 + #话题标签（2~4 个，如 #AI绘画 #干货分享）+ 一句简介（引导点击）。抖音版更短更炸、B站版更干货、视频号版更克制，可合并为"通用+分平台"。
• ffmpeg 一键切片命令：用 scripts/make_cut_assets.py 或按模板生成每条命令（见阶段 4 交付模板），用户复制即可出片。
• 每段字幕片段：同样由该脚本按时间点导出 kpNN.srt，便于直接烧字幕或做文案底稿。
• 时长智能预警：若 N 过大导致全课难以塞下、或 N 过小导致单段必然超 120s，主动提示"建议 N 调到 X~Y"，不要在硬约束下产出超长段。

阶段 3 — 三轮边界验证（核心，不可省略）

用 scripts/extract_context.py 按段号批量抽取字幕上下文（比逐条 grep 高效，且能正确处理多行文本）：

python scripts/extract_context.py <srt> --seg 71 --before 15   # 段71 及其前15句
python scripts/extract_context.py <srt> --seg 211 --after 15    # 段211 及其后15句
python scripts/extract_context.py <srt> --range 565 572         # 直接取段565..572

（若环境无 Python，可用 awk 备选：awk -v lo=A -v hi=B '/^[0-9]+$/{n=$0+0;next}/-->/{ts=$0;getline t;if(n>=lo&&n<=hi)print n"|"ts"|"t}' <srt>）

第一轮 — 验证开头（每个开头对比前 15 句）

• 对每个知识点抽段 s-15 .. s。
• 确认段 s 是知识点起点、无半截话承接；若 s 仍在承接上一句，往前调整到干净的主题切入句，记录：KP# 开头 段X→段Y。

第二轮 — 验证结尾（每个结尾对比后 15 句）

• 对每个知识点抽段 e .. e+15。
• 确认段 e 是知识点收束、非语气词 / 半截 / 过渡；若落在上述语气词，微调到完整收束句，记录：KP# 结尾 段X→段Y。

第三轮 — 复核（对前两轮所有调整边界扩大上下文）

• 调整过的开头：看 s-5 .. s+2（前 5 + 后 2）；调整过的结尾：看 e-2 .. e+5（前 2 + 后 5）。
• 确认最终边界准确、知识点完整、不跨主题；仍存疑则继续前后各多看 15 句。
• 形成「三轮验证记录」：每条含 原边界 → 调整后边界 → 验证结论。

边界泄漏检测（质量加固）

• 核对相邻知识点之间：上一段结尾是否多带了一句、下一段开头是否少了一句，确保无内容重叠、无空隙。

独立成片度评分（质量加固）

• 给每个知识点标 开头干净度 / 结尾完整度 / 可独立观看度（各 优/良/中），方便用户快速筛出需返工的段。

阶段 4 — 交付文档

保存为 Markdown 到工作目录，命名 第X节_N个知识点切片方案.md，结构严格按 references/delivery_template.md（速查总表 + N 条详情[含多候选标题/平台发布文案/ffmpeg命令/字幕片段] + 三轮验证记录 + 边界泄漏与评分 + 术语失真对照 + 系列组合建议 + 发布排期表 + 时长上限提醒 + 署名回链 + 好评引导）。

引流标题与发布文案写法

• 通用原则：口语化、2 秒抓人，用数字 / 反差 / 悬念 / 痛点；避免书面语、平铺直叙、无钩子。
• 按调性适配：干货型偏方法数据、搞笑型偏情绪吐槽、悬疑型偏悬念痛点（见阶段 0 调性定义）。
• 发布文案结构：标题 + 换行 + #话题1 #话题2 #话题3 + 换行 + 一句简介（引导点击/留言）。
• 范例（干货型）："AI生图第一步就踩坑？比例选错全白干 #AI绘画 #干货分享 #新手避坑 ／ 这个比例设错，前面全白画，3秒教你避开。"
• 范例（搞笑型）："一键成片？老师一句话把我整破防了 #AI视频 #搞笑日常 ／ 以为能躺平，结果被现实打脸，太真实了。"

关键坑（注意事项）

• 毫秒精度：用户要毫秒级 → 直接引用 SRT 原始时间戳，不要走任何秒级取整工具。关键边界用 grep -n -A2 "^段号$" <srt> 抽查复核。
• 段号 = SRT 序号：脚本里的段号即 1-based 序号。
• 语音识别失真：模型 / 工具名几乎必被识别错，逐课在交付文档标注对照表并提醒"发布前以视频画面核实"（见 references/term_distortion.md）。
• 结尾陷阱：结尾极易落在语气词或半截话上，必须靠后 15 句对比识别并微调到完整收束句。
• 取舍勇气：长课只覆盖约 2/3，优先保留可独立成片干货，别为凑满纳入闲聊。
• 友好报错：SRT 编码错误、格式异常、空文件时，给一句人话提示 + 解决办法，绝不抛堆栈。

跨技能串联（完整生产链）

本技能是"内容策划"环节，可与以下技能接力形成从回放到点片的一条龙：

1. course-video-kp：先把视频转写成 SRT（若你还没有字幕）。
2. lecture-kp-planner（本技能）：SRT → 知识点方案 + 切片命令 + 字幕片段。
3. video-watermark：切片成 mp4 后，批量加"源码·视界"品牌水印防搬运。

术语表越用越准（留存钩子）

references/term_distortion.md 的 ASR 失真表会随你每处理一门新课持续积累——用得越多，模型/工具名还原越准。鼓励用户在交付文档里把新发现的失真追加回该表，形成越用越聪明的正向循环。

资源文件

• scripts/extract_context.py — 按段号抽取 SRT 前后文的验证辅助脚本（支持 --seg/--before/--after/--range）。
• scripts/make_cut_assets.py — 按知识点边界生成 ffmpeg 切片命令清单 + 每段字幕片段 kpNN.srt（纯标准库，不实际编码）。
• references/delivery_template.md — 交付文档结构模板。
• references/term_distortion.md — ASR 术语失真对照表（模型 / 工具名识别错误 → 真实名）。
• examples/sample_方案.md — 30 秒上手示例（交付文档样例），装完即可看效果。