一个用于把主题、文章、技术问题、产品说明、论文摘要等内容转成短视频脚本、分镜和发布文案的 AI Skill。
- 技术科普：AI、编程、工程实践、架构设计、踩坑复盘
- 泛知识科普：商业、心理、历史、社会、常识解释
- 产品/项目介绍：工具、SaaS、开源项目、功能发布
- 职场经验：方法论、成长复盘、求职经验、沟通协作
- 论文/技术文章转短视频：摘要解读、论文亮点、研究方法科普
把本仓库作为 Skill 加入 OpenClaw、Claude Code、其他 Agent 框架或你自己的智能体系统中。
第一版是纯提示词 Skill，不在 Skill 内部请求大模型，所以不需要配置 API Key。
宿主 Agent 读取 SKILL.md 后，会根据用户输入自动选择分类，并按多步流程生成结果。
short-video-script-skill/
├── SKILL.md
├── README.md
├── prompts/
│ ├── 00_common/
│ ├── technical/
│ ├── general_knowledge/
│ ├── product_marketing/
│ ├── career_experience/
│ └── paper_to_video/
├── examples/
├── feedback/
└── .github/ISSUE_TEMPLATE/
最终只输出给用户看的 Markdown 版本，不额外输出 JSON 或 XML 结构化块
详见 prompts/00_common/03_output_contract.md。
请把“BGE-M3 稀疏向量是什么”改写成一个 60 秒小红书短视频脚本
推荐标题：
为什么你的 RAG 召回总漏关键信息？试试 BGE-M3 稀疏向量
开头 3 秒钩子：
你的 RAG 搜不到「Transformer」这个词？问题可能出在向量上。
口播片段：
大部分人做向量检索，只知道稠密向量。把文本变成一串浮点数，语义相近就聚在一起。
但它有个问题：对罕见词、专有名词和精确匹配不一定稳定。
这就是稀疏向量出场的地方。你可以把它理解成「关键词加权向量」：它会判断哪些词对当前文本更重要，然后给这些词更高的权重。
BGE-M3 的特点是可以同时输出稠密向量和稀疏向量。稠密向量更适合语义理解，稀疏向量更适合精确匹配。两者结合，通常更适合 RAG 和 AI 搜索场景。
完整示例见：examples/tech-ai-bge-m3-sparse-vector.md
示例效果图：
可以通过 GitHub Issue 或 feedback/feedback_template.md 反馈生成质量。
- 默认输出更接近“可拍成稿”，减少冗长中间过程。
- 加强 30 秒、60 秒、3 分钟脚本的字数和节奏约束。
- 修复 Markdown 表格列数一致性要求。
- 技术架构类内容增加“最小实现方式”和“能力边界”要求。
- 分镜输出拆成“轻量版拍摄建议”和“完整分镜表”，降低执行成本。
- 收敛“变聪明”“自主进化”等容易夸张的表达，正文必须解释边界。