Claude AI Music Skills：用对话把一整张专辑做出来

从"五音不全"到"独立音乐人"：一个非音乐人的破局之路

编程出身的 @bitwize-music 从小热爱音乐，却从未学过任何乐器。吉他说学了三次都放弃了，钢琴课也半途而废。AI 的爆发让他看到了另一种可能——不是靠演奏技巧，而是靠结构化思维和 AI 协作来创作音乐。这个项目最初只是想深入研究 Claude Code 的插件架构、Agent 工作流、多模型编排和 MCP 工具，结果在音乐的赛道上越走越远，最终做出了一个真正能用的完整专辑制作流水线。

核心定位：这是一个 Claude Code 插件，把一段对话变成一整张专辑的生产管线。用户描述想做什么，它自动完成概念策划、歌词创作、Suno AI 提示词生成、音频母带处理和发行准备——每个阶段都有质量门禁和来源核验。

---

这个插件到底能做什么？

用文档里给出的真实案例最能说明问题。用户说"Let's make an album about the 2016 Bangladesh Bank heist"（孟加拉国央行8100万美元洗钱案），Claude 的反应是：

1. 创建专辑结构，运行7阶段概念规划 — 专辑不是随意堆砌曲目，而是从主题深度、叙事弧线、情感节奏出发做整体设计
2. 并行调度多个专项研究 Agent — 法律研究员查 DOJ 起诉讼文件，金融研究员找 SWIFT 报文记录，安全研究员挖恶意软件分析报告
3. 交叉核验所有信息来源 — 每一条写进歌词的事实都追溯到可查证的原始档案，人类审核后才允许进入歌词创作阶段
4. 写歌词，检查韵律和发音 — 不是把关键词扔给 Suno 就完事，而是逐句检查押韵方案、扫描发音风险、建议音标修正
5. 构建 Suno V5 风格提示词 — 自动包含流派标签、人声方向、风格参考，输出可直接粘贴到 Suno
6. 导入干音、混音、母带 — 从 Suno 下载 WAV 文件，Claude 自动编排分轨、EQ、压缩、响度标准化到 -14 LUFS（流媒体平台标准）
7. 生成推广素材 — 15秒竖屏视频、多平台社媒文案（Twitter/Instagram/TikTok/YouTube/Facebook），一键复制发布

整个流程里，用户唯一必须亲自动手的是去 Suno.com 点击生成按钮——因为 Suno 对自动化操作有反爬保护，其余一切都在终端完成。

---

53个专业技能的分层协作

这是整个项目最硬核的部分。53个独立技能被分成三级 Claude 模型梯度：

梯度	模型	技能数	典型任务
创意层	Opus 4.8	7个	歌词创作、Suno 提示词、专辑概念策划、法律核实
推理层	Sonnet 4.6	30个	研究协调、发音分析、大部分工作流编排
机械层	Haiku 4.5	16个	文件导入、格式校验、剪贴板操作

技能声明的是梯度别名而非固定版本号，因此 Claude 新一代模型发布时所有技能自动跟踪最新前沿模型，无需逐个修改。创作层用 Opus 是因为歌词质量和音乐品质直接相关，推理层用 Sonnet 是因为研究协调和事实分析需要中等级别推理能力，机械层用 Haiku 是因为文件导入和校验只需要速度不需要创造力。

MCP Server（Python实现）则向外暴露了80+个工具，让 Claude 可以实时查询专辑/曲目状态、秒级执行音频分析、歌词质量检测、数据库操作，而不是每次都要读文件——这样保持了响应速度和状态一致性。

---

质量门禁：不过关不让过

检查类型	检查点数量	关键内容
歌词质量门禁	13项	韵律、发音、押韵方案、人称一致性、事实准确性
生成前门禁	6项	来源核验、显式标签、歌词审核、发音修正、风格提示词完整、艺术家名称合规
音频质量门禁	7项	响度、削波、静默段、相位、立体声宽度、频谱平衡、动态范围
专辑结构门禁	多项	目录验证、文件路径正确性、内容完整性

研究系统同样有严格门禁：收集来源 → 核验引用 → 人类签批三步走，每一条写进歌词的信息都要有原始档案支撑，彻底杜绝"听起来像那么回事但实际上是编的"。

---

开发者视角：为什么这个项目值得关注

架构层面：它展示了 Claude Code 插件系统能做到什么程度——多 Agent 并行研究、MCP 实时状态查询、多模型分层编排、Python 音频处理脚本集成。这不是"调 API 写 prompt"的简单封装，而是一套完整的生产级工作流引擎。

代码质量：4412个测试用例横跨 Ubuntu/macOS/Windows 三大平台，覆盖率在三个平台合并计算（解决了一个 CI 中常见但容易被忽略的问题：Windows 特有的代码分支在 Linux CI 中永远无法到达）。测试还包括真实的集成测试——PostgreSQL 数据库、SeaweedFS/S3 存储、MuseScore PDF 导出，全部跑在 GitHub Actions 上。

文档体系：46+份参考文档覆盖 Suno V5 最佳实践、流派制作指南、母带处理流程、发音纠正规则。72个流派目录各含子流派分类、歌词惯例、参考艺术家。

许可证：CC0-1.0，完全公共领域，没有任何使用限制，可以自由fork、修改、再发布。

---

上手门槛与局限

门槛：需要 Claude Code（Max 订阅体验最佳，Pro 订阅在多轨生成时可能遭遇限流）、Python 3.11+、Suno.com 账户、ffmpeg（音频处理用）。插件本身有 /bitwize-music:setup 自动检测环境依赖，但需要用户有基本的终端操作能力。

当前局限：

• Suno 平台本身有反自动化保护，生成和下载步骤必须手动操作，无法全流程自动化
• 音频质量的上限取决于 Suno 模型输出，当前仍存在生成不稳定的情况
• 研究系统高度依赖公开档案的可获取性，对某些历史事件的资料覆盖可能不足
• Pro 订阅用户在多轨并行生成时容易触发速率限制，大规模生产建议 Max 套餐
• 不懂音乐创作的用户可能难以给出足够具体的专辑方向描述，影响最终质量

平台支持：macOS、Linux、Windows（原生）+ WSL2 均完整支持，非音频相关功能（工作流、研究、状态查询）三平台行为一致。

---

行业意义：AI 音乐创作的新范式

2025年数据现实：全球86%的创作者已在使用生成式AI处理内容，音乐是最后一个未被完全攻克的领域。这个项目指向的方向是：AI 不是取代音乐人，而是让"有故事想讲但不会乐器"的人也能做音乐。

它同时验证了 Claude Code 作为"AI 工作流引擎"的可行性——不只是写代码，Claude 可以被重新定义为任意领域的自动化生产系统。通过 MCP 协议，它甚至可以驱动数据库查询、文件系统操作、浏览器自动化等外部工具，构成一个完整的 AI 原生应用平台。

从增长看，项目发布于2026年1月，9个月内积累了496 star 和 114 fork，保持着活跃的开发节奏（最新提交于2026年9月17日），说明这个方向确实有真实需求而非一时概念炒作。

---

快速开始

# 安装插件
/plugin marketplace add bitwize-music-studio/claude-ai-music-skills
/plugin install bitwize-music@bitwize-music

# 环境检测
/bitwize-music:setup

# 配置工作区
/bitwize-music:configure

# 开始制作专辑
/bitwize-music:new-album

一句话总结：如果你想用 AI 把"一个故事"变成"一张专辑"——从概念策划到歌词、从提示词到母带处理再到社媒推广，全部在终端里搞定——这就是目前最完整的开源解决方案。