Stickman Video Director：把脚本变成火柴人动画视频的 Agent Skill

一个真实的场景

想象一下你是一个独立创作者，做的是"无真人出镜"（Faceless）频道。选题有了，脚本写好了，接下来是让人烦躁的部分：找画面、配音、加字幕、加音效、剪到一起。以前这一步要么外包给别人（每月几十美元），要么自己在 Runway、ElevenLabs、剪映之间来回切换，几十次复制粘贴，一个三分钟的片子要磨一整天。

kaomei/stickman-video-director 想把这个环节压缩成一句话：把主题、链接或整段脚本丢给 AI 代理，它把成片交到你手上。

它到底是什么

需要先澄清一点：这不是一个网页工具，也不是一个能独立跑起来的服务。它是一套安装到 AI 编码代理（Claude Code、Codex、Cursor、Antigravity）里的 Skill 包——目录下有 SKILL.md、references/ 规范文档、scripts/ 渲染脚本和 assets/ 素材字体。

项目提供两条并行的工作流：

A · 导演模式（Director Mode） 是"短为先"的半自动路线。你给主题，AI 先产出导演阐述（故事结构、分镜、逐场景旁白、动作、镜头语言、音效设计），你点头之后才生成独立的视频提示词，丢进 Google Flow、Runway、Luma、Kling 等外部视频生成器，片子自己在剪映里拼。好处是成本闸门：脚本和分镜免费审批完，才开始烧生成额度。

B · 自动驾驶模式（Autopilot Mode） 是"长为先"的闭环路线，专攻十分钟以上的长视频。AI 内部完成脚本 → 图像 → 语音 → 字幕 → 微动画 → 合成的全链路，产出的是一个直接可用的 MP4 文件。

底层机制值得单说。B 模式的核心是 skills/directing-stickman-videos/scripts/autopilot-render.mjs —— 一个用 @napi-rs/canvas 做本地渲染、FFmpeg 负责编码的合成器。它不追求每场都生成一段全动态视频（那样太贵太慢），而是走插画场景 + 微动画路线：图片层、三姿态火柴人图集（pose atlas）、文字层、线条层，用 keys 关键帧做位移、缩放、透明度、旋转插值，再按旁白时长排布镜头。字幕通过 align_captions.py 调用可选的 openai-whisper 做词级对齐后转成短语级时间轴。

视觉风格库

目前实装了 7 种风格、9 个视觉变体：A1 经典黑白（可切换白底黑字/黑底白字两个主题）、A2 现代 Pop（红毛线帽角色）、A3 史前洞穴、A4 治愈故事、A5 历史卡通（江户 samurai、埃及神庙）、A6 琥珀黑色电影，以及 B1 极简手绘风。每种风格都有独立的 reference 文档，规定了角色锚点（character anchor）、配色板、镜头变化规则。

风格契约写得相当细，细到有点强迫症：A1 要求角色锚点逐字复制到每个片段，不允许用"同样的角色"含糊带过；A4 规定每个十秒段落必须换到不同的可识别场景；A5 要求每个片段重复完整的已批准角色描述；全局禁止在提示词里写十六进制或 Pantone 色号，禁止角色闲置，强制 5 阶段叙事弧（黄金钩子 → 打破假设 → 揭示内幕 → 终极真相 → 升华互动）。

上手门槛

不需要显卡、不需要编程。需要的是：Node.js 20+、FFmpeg/FFprobe、Git，加上一个 AI 编码代理订阅。想省钱可以完全不配 GEMINI_API_KEY，改用代理自带的图像/语音工具。

npm ci
node scripts/autopilot.mjs doctor
node scripts/autopilot.mjs init /absolute/path/my-video

CLI 的设计值得点赞：doctor 只检查依赖和字体是否存在、不打印任何 key 值；preview --seconds 20 只渲染 20 秒样片；approve --note "..." 会把样片的指纹和 SHA256 一起存进 approval.json；render 会校验指纹是否与批准时一致，不一致就报错"Approval invalidated"。没批准过样片就渲染全片，会被直接拒绝。 这在 AI 生成工具里算是少见的克制。

争议与局限

• 本质是提示词工程的固化，不是模型。所谓"导演能力"其实是一堆写进 reference 文档的规则，AI 代理的执行质量仍取决于底座模型。换个弱模型，风格一致性会立刻崩塌。
• A 模式仍是半自动。分镜要自己复制到外部生成器，剪辑要自己在剪映里做。所谓"一键"只在 B 模式成立。
• B 模式当前只支持 B1 一种风格。runtime 文档明说了：manifest v1 只接受 style: "B1"，换个 style 字段不会自动获得对应布局支持，字幕排版是 B1 的实现，不是通用规则。
• 外链依赖明显。A 模式的核心价值在于对接 Google Flow / Runway / Kling 等付费平台，"100% 免费"的说法只针对本项目本身，README 的 FAQ 里也承认了第三方 API 费用需要自付。
• 单体项目。contributors 只有 1 人（kaomei），无 Release、无 Tag，commit 记录显示还在高频修补 CDN 链接（最新的 commit 就是"把 A6 预览图固定到不可变 CDN URL"）。核心作者是唯一维护者，存在 bus factor 风险。
• 二创与平台政策。项目鼓励用于 YouTube/TikTok 的自动化内容生产，虽然项目方自称原创度高，但批量生成的火柴人解说视频正处在 YouTube"低质 AI 内容"变现政策的模糊地带，这点 README 自己也留了免责说明。

行业意义

这个项目是 Agent Skills 生态的一个真实样本：把领域知识、风格规范、质量门禁和本地渲染器打包成一个可安装目录，让通用 AI 代理变成"专业视频工作室"。它没有发明新的模型或算法，但把"AI 视频生成"从散落的提示词技巧，变成了一条有版本、有测试、有审批流程的工程管线。

仓库里的 tests/ 目录有 20 个验证脚本（verify-a6-finishing.py、verify-voice-continuity.py、verify-localized-readmes.py 等），README 提供 8 个语言版本（中英日韩法葡土印尼），并且画了一张明确的路线图：1000 星交付导演模式与 5 种风格，3000 星交付自动驾驶模式，5000 星解锁批量编辑器，10000 星发布一体化 Web Studio。

3669 星、549 fork、MIT 协议。从 2026 年 8 月创建到现在不到三个月，这个速度本身就说明：创作者对"不用露脸、不用剪辑、批量产出视频"的需求是真实的，而能把这套流程完整开源出来的项目仍然稀缺。

一句话结论

如果你是独立创作者，想低成本批量产出解说类视频，这套 Skill 的流程设计和风格规范值得直接借鉴；如果你是工程团队，它更像一份高质量的"AI 视频生产 SOP 样本"，而不是可以直接部署到生产环境的系统。