AutoClip：视频切高光

AutoClip 是本地运行的 AI 切片工具：字幕（自带 SRT 或本地 Whisper 转写）→ LLM 提取大纲与时间线 → 评分选段 → ffmpeg 出片 → 按主题聚成合集。产物在项目数据目录，和 AutoClip 桌面应用共用，桌面端能直接看到。

先选调用方式

1. 有 autoclip MCP 工具 → 用工具，不要自己拼命令。
2. 没有 MCP 但能跑 shell → autoclip run <video> --json（或 python -m backend.cli run ...）。
3. 两者都没有 → 让用户安装：pip install -e .（仓库根目录）或参考 docs/CLI_AND_MCP.md。

MCP 工具用法

参数约定（clip_video 与 start_clip_job 相同）：

• video_path：绝对路径。用户给相对路径先解析成绝对路径。
• srt_path：有现成字幕一定传，跳过 Whisper 能省几分钟。
• category：default / knowledge / business / opinion / experience / speech / content_review / entertainment，影响提示词；不确定就 default。
• min_score：0–1，默认 0.7。切片为 0 时用 0.5 重试，不要直接说"没有精彩片段"。
• provider：不传就用桌面应用里配好的模型。要免费 / 离线时传 ollama（本机需装 Ollama，默认模型 qwen2.5:7b）或 lmstudio（要同时传 model）。
• model / base_url / api_key：只在用户明确指定时传。

发到海外平台（Upload-Post）

1. 先 list_publish_profiles：configured=false → 让用户去 https://app.upload-post.com/api-keys 拿 key， autoclip publish --api-key <key> --user <profile> --save（或环境变量 UPLOAD_POST_API_KEY / UPLOAD_POST_USER）。 profile 没连平台 → 让用户在 https://app.upload-post.com/manage-users 连接。
2. publish_clip(project_id, clip_id, platforms=["tiktok","youtube"], user=…)，不传 preset 会自动渲 9:16（shorts，≤ 60 s）。 想先私密试发：extra={"privacy_level": "SELF_ONLY"}（TikTok）、extra={"privacyStatus": "unlisted"}（YouTube）。
3. 拿到 request_id 后 get_publish_status 每 10 秒查一次，final=true 时把每个平台的 url / error 报给用户。 skipped=true 表示该 profile 没连这个平台，不是失败。
4. 不要一次把整个项目的切片全发出去，除非用户明确要求；默认只发用户点名的那一条。

CLI 用法

autoclip run talk.mp4 --json                          # 用桌面应用里的模型配置
autoclip run talk.mp4 --srt talk.srt --min-score 0.5 --json
autoclip run talk.mp4 --provider ollama --json        # 本地 Ollama，无需 key
autoclip run talk.mp4 --provider openai --base-url https://api.deepseek.com/v1 --model deepseek-chat --api-key sk-...
autoclip doctor --json                                # 体检
autoclip list --json / autoclip show <project_id> --json
autoclip publish <project_id> --clip 2 --platform tiktok --platform youtube --wait --json   # 经 Upload-Post 发布
autoclip publish --list-profiles / autoclip publish --status <request_id>

--json 时 stdout 只有一个 JSON 对象；进度走 stderr。不加 --json 时 stdout 只打印 project_id。 退出码：0 成功，1 流水线失败，2 参数 / 环境错误。

结果结构与呈现

clips[] 已按评分倒序：title、start_time、end_time（HH:MM:SS,mmm）、score_100（0–100）、reason、file（mp4 绝对路径）。 collections[]：title、summary、clip_ids、file。clips_dir / collections_dir 是输出目录。

给用户看结果时：

• 列出每个切片的 评分 · 时间段 · 标题，附上推荐理由一句；文件路径给出来但不要刷屏。
• 合集单独一段，说明它由哪些切片组成。
• 提一句"在 AutoClip 桌面应用首页也能看到这个项目"（同一数据目录）。

常见问题

• 没有字幕、首次运行很慢：Whisper 模型首次下载；提前告知用户。Whisper 未安装时 check_environment.whisper.ok=false，让用户在桌面应用「设置 → 语音识别」一键安装，或传 srt_path。
• 模型连接失败：check_environment.llm.error 给出了原因。ollama 不可达 → 提示 ollama serve 并 ollama pull qwen2.5:7b；云端 provider → 缺 key，让用户在桌面应用设置页填，或传 api_key。
• 切片为 0：降低 min_score 到 0.5；仍为 0 说明内容本身不适合切高光（如纯音乐 / 无对话）。
• 系统代理导致本地地址 502：AutoClip 对 localhost / 内网地址自动绕过代理，不需要用户改 Clash 规则。
• 一次只跑一个任务：MCP server 内部串行，连续 start_clip_job 会排队，属正常现象。