逐字稿文字預覽
这里现在有5个AI agent在同时的干活,但是我只下了一次命令。 剩下的事情,谁在写前端,谁在写后端,谁在做测试,谁在做review,不是我一个一个安排的,是他们自己在分工,他们做完自己手上的任务以后,他还会自己去领下一件事情。 然后更有意思的事情是什么呢? 就是这些agent他们之间自己还会在这边去沟通,包括一些队长给成员的指派,私信,汇报,然后系统发的一些消息都有。 最上面这个是agent teams的队长,他来负责创建这几个成员,同时去创建整个的一个共享任务列表。 那成员的话,他就负责去做自己的任务,就他可以领自己的任务去执行,执行完了之后标记,标记完了之后去做下一个。 那整体的任务依赖关系在这边也比较清楚。 那右边的话就是我们刚刚讲到的整个的一个通讯协议嘛。 那这个agent teams的可视化页面是我最近在cc-haha里面新上线的一个功能。 那上期视频给大家讲了这个cc-haha的computer use嘛。 那这一期视频我们来讲讲这一个agent teams在cc-haha里面要怎么使用。 我们点开这个设置,完之后这个版本的话,在这个关于这个的版本我们用到0. 6. 3,更新到这个最新版本。 然后通用里面的话有一个配置选项是agent teams的。 这块默认是开启的,如果你不用的时候你把它关闭就行了。 那整体使用的方式也非常的简单。 你只需要在你的提示词里面加上使用agent teams,让他去协作。 那这个时候稍微聪明一点的模型,他就知道用agent teams去做后续的规划。 比如说他知道会把我们的开发任务先把契约定好。 也就是说像我们这种前后段开发的任务,肯定是先把设计文档做好,对不对? 整个的这个APS是怎么设计的,那前后段要怎么去协作开发。 那他就会去规划整体的开发任务,那也会去创建具体的成员。 创建完了之后,我们在这个地方会有这一个卡片。 大家点击就会回到我们刚刚的这个页面了。 那这个agent teams也是anthropic官方他首次提出来的一个实验性的功能。 在Claude Code上面,现在也是实验的。 那我把它做到我们这个cc-haha上面,做成了一个可视化。 大家感兴趣的话可以来用一下。 当然这个耗费token确实是耗费token的。 我们这个任务的话大概用了4000万token吧。 可以看到缓存率是99%。 整体这块的话也不是说所有的任务,他都适合使用agent teams。 比如说很多任务你是可以用,完全是可以用subagent去做的。 那有的任务他是创建去开发的,你就没必要使用agent teams去做。 那大家如果对于整个agent teams的这个功能协作比较感兴趣, 他底层原理感兴趣的话,agent teams所有的包括他那个celled代码, 以及我们的可视化代码都在这个仓库里面的。 如果感兴趣,你完全可以把它克隆下来,让agent去帮你分析。 但很早之前,我有一期视频也专门讲过agent teams的一个协助原理。 感兴趣的话,大家也可以去关注一下。 OK,这就是本期视频所有内容。 欢迎大家给我一键三连。 我是阿江,我们下期见,拜拜。
本次執行流程與問題處理
下達指令
預期流程
- 自動字幕優先，Whisper 作為備援
- 來源選擇與品質檢查
- 文字校正與句子單元
- 筆記與發布
- 公開網頁發布
1. 下載與語音辨識
工具：videonote-transcribe-url（主辨識管線：下載、Whisper 辨識與選稿）
處理：下載音訊、以 Whisper 辨識並選出最佳逐字稿
產出：yt_dlp_meta.json（影片元資料）、audio_16k_mono.wav（16kHz 單聲道音訊）、transcript.whisper.json（Whisper 辨識結果）、transcript.json（正式逐字稿）、transcript_selection_report.json（來源選擇報告）
耗時：15.1 秒
關係：依序執行
結果：完成
2. 全文快速校讀
工具：videonote_rapid_transcript_review.py
處理：先速讀完整逐字稿，再修正高可信突兀詞句並列出待確認項目
產出：rapid_transcript_review_report.json（產出檔案）
耗時：12.9 秒
關係：依序執行
結果：完成
3. 建立句子單元
工具：videonote-build-sentence-units
處理：將逐字稿切成帶時間軸的句子單元
產出：sentence_units.json（句子單元）
耗時：1.0 秒
關係：依序執行
結果：完成
4. 句子密度平衡
工具：videonote_balance_sentence_units.py
處理：平衡句子長度與密度
產出：sentence_units.json（句子單元）
耗時：1.0 秒
關係：依序執行
結果：完成
5. 時間軸稽核
工具：videonote_timeline_audit.py
處理：檢查時間軸與音訊對齊
產出：timeline_audit_report.json（時間軸稽核）
耗時：0.0 秒
關係：依序執行
結果：完成
6. 品質檢查
工具：videonote_controlled_quality.py（檢查時間軸與品質）
處理：檢查語言、時間軸與可讀性品質
產出：controlled_quality_report.json（品質報告）、language_sanity_report.json（語言檢查）
耗時：0.1 秒
關係：依序執行
結果：完成
7. 播放時間軸回填
工具：videonote_rebase_display_timeline.py
處理：將網頁播放時間軸回填為校正字幕時間
產出：display_timeline_rebase_report.json（時間軸回填報告）
耗時：0.1 秒
關係：依序執行
結果：完成
8. 逐字稿交叉檢查
工具：videonote_cross_check_transcript.py
處理：交叉檢查逐字稿與來源字幕
產出：transcript_crosscheck_report.json（交叉檢查）
耗時：0.1 秒
關係：依序執行
結果：完成
9. 來源句整理
工具：videonote_prepare_source_entries.py
處理：整理來源句子供時間軸與頁面使用
產出：sentence_units.json（句子單元）
耗時：0.1 秒
關係：依序執行
結果：完成
10. 生成筆記摘要
工具：videonote-generate-note（生成筆記摘要）
處理：生成筆記摘要與重點
產出：note.md（筆記 Markdown）、note.html（筆記 HTML）
耗時：66.1 秒
關係：依序執行
結果：完成
11. 建立筆記頁面
工具：videonote-render-html（產生筆記 HTML）
處理：產生可閱讀的筆記 HTML 頁面
產出：note.html（筆記 HTML）
耗時：0.2 秒
關係：依序執行
結果：完成
12. 發布公開頁面
工具：videonote-publish（發布公開頁面）
處理：發布到公開網站與每日列表
產出：公開筆記網址、result.json（管線結果）
耗時：0.3 秒
關係：依序執行
結果：完成
手動來源字幕
- 尚未產生
自動來源字幕
Whisper 字幕
Qwen 字幕
- 尚未產生
Parakeet 字幕
- 尚未產生
MOSS 字幕
- 尚未產生
聲學時間證據（PyAnnote / WhisperX）
- 尚未產生
校正前後逐字稿
目前待解決問題與初步改善方向
- ⚠️ 全文快速校讀：已套用暫定修正，請確認
segment=1 已先套用暫定修正：剩下的事情,谁在写前端,谁在写后端,谁在做测试,谁在做review,不是我一个一个安排的,是他们自己在分空,他们做完自己手上的任务以后,他还会自己去领下一件事情。 → 剩下的事情,谁在写前端,谁在写后端,谁在做测试,谁在做review,不是我一个一个安排的,是他们自己在分工,他们做完自己手上的任务以后,他还会自己去领下一件事情。；segment=22 已先套用暫定修正：那这个agent teams也是anthrobial官方他首次提出来的一个实验性的功能。 → 那这个agent teams也是anthropic官方他首次提出来的一个实验性的功能。；segment=23 已先套用暫定修正：在cloud code上面,现在也是实验的。 → 在Claude Code上面,现在也是实验的。；segment=24 已先套用暫定修正：那我把它做到我们这个CC-Ganghaha上面,做成了一个可视化。 → 那我把它做到我们这个cc-haha上面,做成了一个可视化。；segment=28 待確認：「99」在語境中極大概率指百分比，但口語中可能省略了「%」或指具體數值。基於常理推斷補上「%」，但需確認原意是否為純數值。；暫定：可以看到缓存率是99%。
- 逐字稿可先使用，但有待校正清單
segment=28 rapid_semantic_review: 全文速讀上下文判斷；尚未回聽或交叉比對
- Qwen3-ASR 未完成，需確認 qwen_asr_lab 環境與音訊後重試精進模式。