jackssybin 的个人博客

ViMax 是港大数据科学实验室 HKUDS 开源的 Agentic 视频生成框架（GitHub 12.4k star / 1861 fork，arXiv 2606.07649，MIT），把一句话创意、完整剧本或长篇小说自动改编成分镜一致的分钟级视频。我克隆仓库通读了 1.37 万行 Python：13 个专职 Agent、三条 pipeline、FAISS+rerank 检索、静态/动态角色特征分离、VLM 视觉判官多候选选图、机位树首帧、asyncio 分级信号量并发、多供应商可插拔后端，并指出 Novel2Video 源码顶部的未完成标注、纯画外音角色跳过肖像等真实坑，给出安装路径与谁该用、谁先等的判断。

niwo-render-everything 是 MontageAI 开源的 Agent Skill：把 PDF、论文、网页、Word 或 AI 对话话题整理成可上传 Niwo 视频工作台渲染的短视频素材包。我克隆仓库通读了 425 行 SKILL.md、两份字段协议和 689 行本地校验器，拆清它「Agent 产内容、工作台管渲染」的两段式设计、content.json 的 7 字段严格协议、hook_headline 与成片形态的双向绑定、版本自检退出码机制，并给出安装路径、环境门槛与谁该用、谁先等的判断。

Jellyfish 是一个 Apache-2.0 的 AI 短剧端到端生产工作台（6.3k star）：剧本拆解、分镜候选确认、角色/场景/道具/服装实体一致性、关键帧与视频生成、Celery 异步任务中心。我克隆仓库读了 FastAPI 后端的 chains、状态机与任务执行层，拆清它和即梦/可灵网页版的本质差别、三状态分离设计、Docker Compose 部署路径，并给出谁该用、谁先等的判断。

Y2A-Auto 是一个把 YouTube 视频自动搬运到 AcFun/bilibili 的开源工具（GPL v3，3256 star）。我克隆仓库读了 5 万行 Python，拆解它的 8 阶段 checkpoint 状态机、字幕 ASR+翻译+QC 分层质检、转载声明合规默认值、YouTube 监控配额预算和 HEVC 硬编回退，并说清它适合谁、要承担什么账号与版权风险。

Model X Studio 是一个纯前端 3D 爆炸视图项目：334 个网格零件沿滑块渐进拆解、可点选隔离、零后端部署。我实际跑了线上 demo、扒了全部源码，讲清楚它的布局算法、性能取舍和工程上的诚实之处。

PostBot 是一款开源的多平台内容同步浏览器扩展，覆盖公众号/微博/小红书/知乎/抖音/B站等十几家平台。我读了它近 1.9 万行源码，拆解它如何在不开放平台 API、不要账号密码的前提下，用本地登录态+内容脚本 DOM 自动化+多标签页扇出实现一键分发，以及它的边界与风险。

book-to-skill 把 PDF/EPUB/DOCX 技术书与文档转换成结构化 Agent Skill：4K token 常驻核心 + 1K 按需章节，比把整本书塞进上下文省 24–51 倍 token，单书生成成本约 1 美元。本文含我实跑提取器的第一手输出、源码级工程洞察与适用边界。

OpenMontage 是首个开源的、AI Agent 驱动的视频制作系统，把你的 AI 编程助手变成完整视频工作室——12 条流水线、57 个工具、60+ 提供商、零 API Key 也能出片。

dsh-ego-browser 是 DeepSeek Harness 的一个开源插件，给 AI Agent 提供了可见可控的浏览器操作能力，让你能实时看到 Agent 操作网页，还能随时接手干预。

Navop 是一个基于 Rust+GPUI 构建的开源原生桌面应用，把数据库管理、SSH/SFTP、终端、远程桌面、AI 工具整合到一个工作台，替代多个付费工具，提升开发效率。

TL;DR ：Voice Pro 是一个一站式开源AI语音处理工具，支持YouTube视频下载、语音分离、语音识别、多语言翻译、零声语音克隆和文字转语音，完全免费，一键本地部署，替代付费的ElevenLabs等服务，适合内容创作者快速处理多语言视频内容。 如果你是内容创作者，经常需要处理YouTube视频，做字幕翻译、配音克隆，那今天这个开源项目一定会让你惊...

diagram-design 是一个跨 Claude Code、Codex、Factory Droid、Pi 的开源 Agent Skill，用自包含 HTML+SVG 产出 39 种编辑级图表：无阴影、无 Mermaid 自动布局味，能读你的网站 60 秒匹配品牌色，还能把 draw.io / Mermaid 旧图重绘成同一套设计系统。本文梳理它的机制、上手方式与适用边界。

VoiceStudio是一个完全本地运行的全能语音AI开源平台，支持16个TTS引擎、11个ASR引擎、646种语言，不需要API Key，不需要订阅，隐私安全，完全可以替代ElevenLabs等付费语音服务。本文带来详细测评和使用指南。

Obscura 是一个用 Rust 编写的开源无头浏览器，专为网页抓取和 AI Agent 自动化打造。仅占用 30MB 内存，二进制大小仅 70MB，比传统的 Headless Chrome 小很多，还内置了反检测和隐身模式。可以直接替代 Puppeteer/Playwright 使用。

OpenChatCut 是商业 ChatCut 的开源免费替代方案，把对话式 AI Agent 和专业时间线编辑放在同一工作区，支持 Claude Code/Codex 通过 MCP 直接操作视频工程，编辑结果可继续手动修改，真正让 AI 参与剪辑流程。

VideoLingo 是一站式视频翻译配音工具，能一键生成 Netflix 级高质量字幕，告别生硬机翻，告别多行字幕，还支持 GPT-SoVITS 克隆配音，让外语视频轻松本地化。本文带你了解它的核心功能、安装使用方法。

做个人IP需要头像和表情包，找设计师要几百块，自己用AI生成要折腾半天。这个Codex开源技能通过向导式流程，五分钟就能帮你生成一套统一风格的成品，直接能用。

如果你每天需要在多个工具之间来回切换：打开 DataGrip 查数据库，开 iTerm2 连服务器，用 Microsoft Remote Desktop 连 Windows 远程桌面，还要开 ChatGPT 帮你写 SQL —— 这一切在 Navop 里只需要打开一个窗口就能完成。

市面上绝大多数 GEO 工具都是监测型 SaaS：按月收费，数据存在厂商云端，只告诉你排名和提及率，不给你落地路径，更不帮你验收效果。GeoLook 完全不一样——它是一个开源自托管的全流程 GEO 实施平台，从现状分析→诊断→方案→实施工单→执行落地→效果验收，给你完整闭环，全部数据都在你本地，免费开源。

OpenStory 是一个开源AI视频生成平台，可以把文本脚本自动拆解为场景，生成风格一致的序列帧、图片、动效和音频，支持团队协作和云端部署。本文带你快速上手，分析核心架构，并分享实践体验。