Lecture to Notes (Markdown)

把课堂视频（本地或 B 站/YouTube）、文字稿、课件三者（任意组合）整理成一份详细的中文 Markdown 课堂笔记，输出按课程标题命名的 {title_name}.md（首行为 # 文档标题）+ 相对路径图片。作为上游 lecture-to-notes LaTeX/PDF 流的 Markdown 平行方案；本 skill 与上游 skill 完全独立，不修改也不依赖上游 skill 的脚本。

子代理分工：素材获取（下载/ASR/抽帧/课件转 PNG）委派 S0 子代理并行做；主代理通读文字稿定死一级标题结构后，切素材（文字稿切片 / 帧按时段分目录 / 课件标页码）委派 S1 子代理做；然后每个撰写子代理领 1–3 个 H1 并行撰写 → 主代理汇总 → 对照文字稿重排目录结构（只改标题、不动正文）→ 交付。 切分与素材委派见 references/splitting.md，派发与汇总见 references/subagent-workflow.md，结构重排见 references/structure-reorder.md。

与 LaTeX 版的区别

	lecture-to-notes (LaTeX)	本 skill (Markdown)
输出	.tex + PDF	{title_name}.md + 图片
抽帧	每 15s（按章节）	严格每 5s
配图	全帧 + contact sheet 人工选	LLM 多模态按 ### 标题自动选图
配图优先级	视频帧	课件截图 > 视频帧
编译	xelatex	无需编译

子技能（asr 与云端转写）

本 skill 包内自带两个 ASR 子 skill，默认走本地 ASR（见下「ASR 选型」一节）：

子 skill 路径	何时用
local-asr/	默认。无字幕时全文转写 / 短片段核验。已在 macOS Apple Silicon、Linux ARM64（CPU）与 Windows（PowerShell 5.1，CPU）端到端跑通。
volcengine-asr/	备用。火山引擎豆包 BigASR / 豆包 2.0，需要 APP ID + Token；长音频首选异步模式

调用约定见各子 skill 的 SKILL.md，本 SKILL.md 不重复列参数。

ASR 选型

• 首选 local-asr/（sherpa-onnx X-ASR，跨平台路径齐备，int8 量化 + Apple Silicon AMX 矩阵加速 ~100× 实时）；调用时默认带 --timestamps，以保留字幕时间轴。
• 若用户已自带文字稿（火山引擎豆包、飞书妙记等），跳过 ASR，直接走 Phase 1 的文字稿核验。
• 火山引擎走 volcengine-asr/，把产出的 transcript.txt 当作 S0-a 的产物继续。

Dependencies

跨平台检查命令是否就位，缺则按平台提示用户安装（具体安装命令见各子 skill 的 setup 脚本）：

平台	检查命令	备注
macOS / Linux shell	which <cmd> 或 command -v <cmd>	沙箱 PATH 可能不含 /opt/homebrew/bin（macOS）/ /usr/local/bin（Linux），见「已知坑」#1
Windows PowerShell 5.1 / cmd	where.exe <cmd>	which 不是 Windows 内建命令，PowerShell 5.1 也没有该 alias；只有装了 Git for Windows / msys2 时才会有 which.exe（实测）。Windows 沙箱 PATH 可能不含 winget links / scoop shims / Chocolatey bin，见「已知坑」#1

最简做法：跑 local-asr/scripts/common.py::require("<cmd>")，它内部已经做了 shutil.which 兜底 + 按平台补齐常见 bin 目录（macOS /opt/homebrew/bin、Windows winget links / %ProgramFiles%\ffmpeg\bin / ~\scoop\shims / %ProgramData%\chocolatey\bin 等），并返回绝对路径，避免子进程再吃 PATH 的亏。

工具	必需	用途
yt-dlp	✓	视频/字幕/元数据下载（YouTube + Bilibili）
ffmpeg	✓	5s 抽帧、音频提取（ffprobe 随 ffmpeg 一起装，Phase 4 判时长要用）
python3	✓	clean_subs.py
pdftoppm	△	课件 PDF → PNG
soffice (LibreOffice)	△	课件 PPT/PPTX → PDF
local-asr/	△	无字幕时全文转写 / 前 1min 核验；默认加 --timestamps 出 srt/vtt 时间戳
volcengine-asr/	△	调用火山引擎豆包 ASR（需要凭据）
sherpa-onnx (pip 包)	△	local-asr/ 后端依赖，首次跑 bash ../local-asr/scripts/setup.sh 自动装

已知坑（务必遵守）

1. PATH 兜底：沙箱 PATH 可能丢以下常用 bin 目录——macOS /opt/homebrew/bin、/usr/local/bin、/opt/local/bin；Linux /usr/local/bin、~/.local/bin、/snap/bin；Windows %LOCALAPPDATA%\Microsoft\WinGet\Links、%ProgramFiles%\ffmpeg\bin、~\scoop\shims、~\scoop\apps\<app>\current\bin、%ProgramData%\chocolatey\bin。yt-dlp/ffmpeg/pdftoppm/soffice 一律用绝对路径，或先 require() 兜底（参考 ../local-asr/scripts/common.py::require，Python 脚本首选；它内部已按平台列好候选目录）。
2. 帧序号 → 时间戳：verify_figures.py（LaTeX 版脚本）硬编码 ×15，本 skill 不复用该脚本。不要硬编码 帧时间 = (帧序号-1)×5——fps=1/5 的首帧可能不落在 0s、末尾帧可能被被丢、起始 PTS/掉帧都会让算术失真（实测 12s 片段只出 2 帧而非 3 帧）。帧时间一律由 ffmpeg 的 showinfo 记录真实 pts_time（见 Phase 1 的 S0-b）。
3. ASR 时间戳选型：local-asr/ 默认 sherpa-onnx X-ASR 模型直接产出 token 级时间戳（transducer 模型自带）。S0-a 调用默认带 --timestamps（transcribe.py --timestamps，会写 srt/vtt）；只有用户明确只要纯文本时才省略。若是已有稿子想补时间戳，跑一次 transcribe.py 音频 --timestamps，把生成的 srt 时间轴对齐到原文即可（sherpa-onnx 不需要独立的 ForcedAligner 模型）。

平台识别

匹配	平台
youtube.com, youtu.be	YouTube
bilibili.com/video/BV, b23.tv	Bilibili

B 站分 P（多 part）视频：先用 yt-dlp --flat-playlist --dump-json "<URL>" 列出所有 part，先问用户处理哪几 P 再下载。

输入矩阵（视频 × 文字稿 × 课件）

视频	文字稿	课件	处理动作
✓	✗	✗	取视频 → 先试官方字幕（CC→自动字幕），兜底 local-asr/ → 5s 抽帧配图
✓	✓	✗	核验文字稿 → 5s 抽帧配图
✓	✗	✓	取视频 → 先试官方字幕，兜底 local-asr/ → 课件截图优先 + 5s 抽帧（都要做）
✓	✓	✓	核验文字稿 → 课件截图优先 + 5s 抽帧（都要做）
✗	✓	✗	直接总结文字稿，无图
✗	✓	✓	总结文字稿 + 课件截图
✗	✗	✓	仅课件：暂时禁止 → 提示用户补视频或文字稿
✗	✗	✗	询问用户至少提供一样

• 视频来源：本地路径 → 直接用；B 站/YouTube URL → yt-dlp 下载。
• 文字稿来源：路径/粘贴文本 → 直接用；否则下载官方字幕（CC → 自动字幕去重）；再否则 local-asr/ 全文转写（如果用户指定了火山引擎走 volcengine-asr/）。
• 课件来源：PDF / PPT / PPTX 路径。

工作流

工作目录约定

默认输出到当前仓库根目录下，沿用 <course_id>_<lecture>_<title>/ 子目录约定，例如 nju_os_01_intro/、cs336_01_tokenization/。

CRITICAL：后台/长命令一律用绝对路径（沙箱 shell 会重置 cwd，相对路径会写错地方）。

目录内布局（>30min 时 outline.md / parts/ 才会出现）：

<outdir>/
  {video_name}.mp4
  frames/                 ← 全课程 5s 帧 + times.txt（唯一时间依据）
  slides/                 ← 课件每页 PNG，共享不复制
  outline.md              ┐
  parts/                  │ 子代理模式（>30min）才出现
    transcript_part_XX.txt│
    frames_part_XX/       │ 本时段帧 + 局部 times.txt
    part_XX.md            ┘
  {title_name}.md
  assets/{title_name}/    ← 最终配图（pXX_ 前缀隔离）

Phase 0 输入解析

按输入矩阵确定路径；缺输入先补齐，不空跑。三样都没有 → 用 AskUserQuestion 让用户至少提供一样。

Phase 1 素材获取（委派 S0 子代理，主代理不亲自下载）

素材获取是机械操作，且过程嘈杂（yt-dlp 试 cookie / 换格式 / 应对 bot 验证、ASR 长转写重试、ffmpeg 抽帧日志），一律委派给子代理，主代理只拿结果——既隔离主代理上下文，又能与读稿并行。

按输入矩阵决定派哪些 S0（缺什么派什么，本地已提供的直接跳过）。skills/lecture-to-md/ 是本 skill 的根目录，子代理用它定位脚本。

子代理	干什么	何时派	产物
S0-a	文字稿获取：官方字幕 → 自动字幕 → 去重清洗 → 兜底 ASR	无文字稿输入	transcript.txt（尽量带时间戳）
S0-b	视频下载 + 严格 5s 抽帧 + times.txt	有视频输入	video.mp4 + frames/ + frames/times.txt
S0-c	课件 PDF/PPT → 每页 PNG	有课件输入	slides/slide-*.png

三个 S0 彼此独立，在同一条消息里并行派发（subagent_type: general-purpose），下载 / 转写 / 抽帧同时跑。主代理趁这个空档等文字稿产出、为读稿做准备。

S0-a：文字稿获取

你是素材准备子代理，负责给一门课的视频/音频准备文字稿。

工作目录（绝对路径）：{outdir}
仓库根目录：{repo_root}

## 任务
按下面优先级拿到文字稿，写到 {outdir}/transcript.txt（能带时间戳就带，保留时间戳）：

1. 官方 CC 字幕：
   yt-dlp --write-subs --sub-langs "zh.*,en.*" --convert-subs srt --skip-download "{URL}"
2. 无 CC 时自动字幕（YouTube）：
   yt-dlp --write-auto-subs --sub-langs "en" --convert-subs srt --skip-download "{URL}"
3. 自动字幕逐行重复 2-3 次，务必去重：
   python3 {repo_root}/skills/lecture-to-md/lecture-to-md/scripts/clean_subs.py subs.en.srt --stats
4. 无任何字幕 → 本地 ASR 全文转写（sherpa-onnx X-ASR，默认中文）：
   python3 {repo_root}/skills/lecture-to-md/local-asr/scripts/transcribe.py "{abs_video_path}" --lang zh --timestamps
   首次跑会提示执行 bash setup.sh 装 sherpa-onnx + 下载 X-ASR 模型（约 200MB）。

## 输出（返回给主代理，200 字内）
- 文字稿路径 + 行数/字数
- 来源：官方字幕 / 自动字幕 / local-asr
- 是否带时间戳
- ASR 转写时长（若走 ASR）
- 任何异常（下载失败、bot 验证、字幕语言缺失、ASR 模型未下载等）

S0-b：视频下载 + 抽帧

你是素材准备子代理，负责下载视频并抽帧。

工作目录（绝对路径）：{outdir}
仓库根目录：{repo_root}

## 任务
1. 下载视频（本地路径则跳过）：
   yt-dlp -f "bestvideo+bestaudio/best" --merge-output-format mp4 -o "video.mp4" "{URL}"
   # YouTube 遇 bot 验证（"Sign in to confirm you're not a bot"）时追加：
   #   --cookies-from-browser chrome   （或 safari / firefox / edge）
2. 严格 5s 抽帧 + 记录真实时间（禁止按帧号推算，见 SKILL.md「已知坑」#2）：
   mkdir -p frames
   ffmpeg -i video.mp4 -vf "fps=1/5,showinfo" frames/f_%05d.png 2> frames/showinfo.log
3. 生成「帧文件 → 真实秒数」映射表 times.txt：
   python3 - <<'PY'
   import re, glob
   pts = re.findall(r'pts_time:(\d+(?:\.\d+)?)',
                    open('frames/showinfo.log', encoding='utf-8', errors='ignore').read())
   n_png = len(glob.glob('frames/f_*.png'))
   assert len(pts) == n_png, f"帧数不匹配: showinfo {len(pts)} vs png {n_png}"
   open('frames/times.txt', 'w', encoding='utf-8').write(
       "".join(f"f_{i:05d}.png\t{t}\n" for i, t in enumerate(pts, 1)))
   PY
4. 报时长：
   ffprobe -v error -show_entries format=duration -of default=nw=1:nk=1 video.mp4

## 输出（返回给主代理，200 字内）
- video.mp4 路径 + 时长
- 抽帧张数 + times.txt 首末帧时间（首帧应≈0，末帧应≈时长）
- 任何异常（下载失败、bot 验证、抽帧中断等）

S0-c：课件转 PNG

你是素材准备子代理，负责把课件转成每页 PNG。

工作目录（绝对路径）：{outdir}
仓库根目录：{repo_root}

## 任务
- PDF 直接转：pdftoppm -png -r 120 deck.pdf slides/slide
- PPT/PPTX 先转 PDF 再转 PNG：
  soffice --headless --convert-to pdf deck.pptx --outdir .
  pdftoppm -png -r 120 deck.pdf slides/slide

## 输出（返回给主代理，200 字内）
- slides/ 路径 + 总页数
- 文件名命名规则（slide-01.png … slide-NNN.png，数字即 PDF 页码）
- 任何异常（转换失败、缺页、字体乱码等）

工具绝对路径：沙箱 PATH 可能不含 /opt/homebrew/bin，子代理执行 yt-dlp/ffmpeg/pdftoppm/soffice 时同样要先 which 或用绝对路径（见「已知坑」#1）。

Phase 2 文字稿核验（主代理，仅当「视频 + 用户另给的文字稿」同时提供）

S0-a 已经拿到官方字幕（或 ASR 转写），主代理用它核验用户额外提供的文字稿是否与视频对得上：

1. 有官方字幕 → 直接拿官方字幕比对用户文字稿；
2. 无官方字幕 → 用 S0-a 的 ASR 结果（或 local-asr/ 只转写前 1 分钟）比对；
3. 比对前 1min + 随机抽几段：主题/关键词明显对不上才算不一致（措辞不同属正常），明显不一致 → 停下用 AskUserQuestion 问用户是否继续；
4. 都无法核验（网站访问不了 / 无官方字幕且 ASR 不可用）→ 记录「文字稿未核验」并继续，不阻塞。

Phase 3 验收素材（主代理，S0 产物必须亲自验）

委派不等于闭眼收结果——子代理可能抽帧失败却报「完成」、字幕下错语言、课件页码随手给个范围。主代理亲自跑几条命令验收，成本极低：

# ① times.txt 行数 == frames/*.png 数量（抓抽帧中途失败）
[ "$(wc -l < frames/times.txt)" = "$(ls frames/f_*.png | wc -l)" ] && echo "✓ 帧数一致" || echo "✗ 帧数不一致"

# ② times.txt 首行 ≈ 0、末行 ≈ 视频时长（抓 pts 偏移）
head -1 frames/times.txt; tail -1 frames/times.txt
ffprobe -v error -show_entries format=duration -of default=nw=1:nk=1 video.mp4

# ③ 文字稿非空、首尾合理
wc -l transcript.txt; head -5 transcript.txt; tail -5 transcript.txt

# ④ 课件 PNG 张数 == 页数（有课件时）
ls slides/slide-*.png | wc -l

frames/times.txt 是后续所有时间溯源的唯一依据：配图标注「画面时间」、子代理按时间区间取帧、大纲锚点换算，全部查这张表。

课件：直接用 S0-c 转出的每页 PNG（slides/slide-01.png …）。

Phase 4 结构与分片：决定单线程还是子代理

4.1 判定课程时长

ffprobe -v error -show_entries format=duration -of default=nw=1:nk=1 video.mp4

无视频（纯文字稿）时按字数估算：中文约 250 字/分钟、英文约 150 词/分钟。

• ≤ 30 分钟 → 走 Phase 5-A：主代理单线程直出，不必拆分子代理。
• > 30 分钟 → 必须走 Phase 5-B：先出大纲 → 按一级标题切分 → 派子代理并行撰写 → 主代理汇总。
  • 切分侧（大纲格式、切分规则、切素材命令）见 references/splitting.md
  • 派发侧（prompt 模板、汇总、校验）见 references/subagent-workflow.md

4.2 配图跟随撰写者：单线程时主代理自己挑图；子代理模式下选图下沉给各子代理——它们手上有本片段的完整上下文，选图比主代理隔空猜更准。

Phase 5 生成 md

读取 assets/notes-prompt.md 作为写作规范，产出 <outdir>/{title_name}.md。

• 文件名与文档标题：{title_name} 取自课程标题（如 cs336_01_tokenization）；文件第一行是文档标题 # <课程标题>，与文件名对应，不计入正文 H1 ≤ 10 的限额；
• 图片用相对路径 assets/{title_name}/xxx.png；
• 视频帧图下用 > 画面时间 00:12:31 标注来源（时间查 frames/times.txt）；
• 课件图标注页码（如 > 课件第 12 页）。

5-A 单线程（≤ 30 分钟）

用多模态模型按每个三级标题（###） 挑 1~多张最相关图：

• 优先课件截图，课件缺失时用视频帧；无合适图则该 H3 不配图（不硬凑）；
• 选出的图复制到 assets/{title_name}/ 并统一命名（如 h3_01.png、h3_02a.png）；
• 然后一气写完全文。

5-B 子代理并行（> 30 分钟）

步骤	谁做	产物
① 通读文字稿，定结构	主代理（不可跳过、不可委派）	outline.md（H1 + 稿子锚点 + 帧区间 + 课件页码区间）
② 按一级标题切分	主代理	切分方案（写进 outline.md）
③ 切素材	S1 子代理	parts/transcript_part_XX.txt、parts/frames_part_XX/（课件不搬，只标页码）
④ 并行撰写 + 各自配图	再启动N 个子代理	parts/part_XX.md + assets/{title_name}/pXX_*.png
⑤ 按序汇总、统一风格	主代理	{title_name}.md → 接着做 Phase 6 结构重排

四条硬规则：

1. 主代理必须先读完整个文字稿再定大纲——只有通读才能按课程真实结构划分，不能让子代理边读边自由发挥。
2. 切分单位是一级标题，且大纲里的 H1 就是最终 {title_name}.md 里的 H1——子代理不得改名、增删、调序。每个子代理最多分 1–3 个一级标题。
3. 素材按片段隔离：文字稿切进 parts/（相邻段重叠 30–60 秒保证衔接），视频帧按时段切进 parts/frames_part_XX/（帧不重叠，避免重复配图）。课件不复制——只在 prompt 里给路径 + 页码区间；课件常是整门课合订 PDF，不标页码子代理就会用到别的课时的页。
4. 并行不共享文件：每个子代理只写 parts/part_XX.md 和自己前缀为 pXX_ 的图片，互不覆盖。

切素材是机械操作（sed 按行号切、srt 按时间切、帧按时段 awk+cp、课件页码定位），委派给 S1 子代理执行、主代理验收——见 references/splitting.md 第 4 节；派发 prompt 模板与汇总校验见 references/subagent-workflow.md。

Phase 6 目录结构重排（主代理，只改标题不动正文）

汇总出来的 H1 反映的是「切分块」，不一定等于「课程结构」——定大纲时可能会为了让各子代理工作量均衡，容易把大主题拆散、把小主题合并。这一环把失真修回来。

必做：5-B 子代理模式。建议做：5-A 单线程模式（同样可能切偏，跑一遍诊断代价很低）。

谁做	主代理，且必须重新对照文字稿，不能只看 {title_name}.md 自己改自己
改什么	只有标题行：调层级、改文字、删重复、在段落边界插新标题、同步序号
不改什么	正文段落、公式代码、图片引用与图注、「画面时间」「课件第 N 页」标注
判据	去掉所有标题行之后，重排前后的正文应逐字相同（diff 可验）

诊断信号（命中任一条就该重排）：H1 带子层级编号（「2.3 …」「B2 …」）、H1 带续接词（「…（续）」「再谈…」）、相邻 H1 同属一个母题、各 H1 字数悬殊、H1 是具体技术点而非主题块。

完整诊断表、从文字稿识别真实母题的 5 类信号、执行步骤与自检命令见 references/structure-reorder.md。

Phase 7 交付

报告 {title_name}.md 与 assets/{title_name}/ 的绝对路径。（我们称这个 {title_name}.md 和 assets/{title_name}/）为成果，用户可能后续会要你移动这个到指定地方，你按这个粒度来理解成果或者产品）

复用资产

• references/splitting.md：切分规范——何时启用、outline.md 格式、切分规则、S0/S1 素材子代理委派（prompt 模板 + 主代理验收）
• references/subagent-workflow.md：子代理规范（派发与汇总）——prompt 模板、汇总校验、常见错误
• references/structure-reorder.md：结构重排（Phase 6）——诊断切分失真、对照文字稿定位真实母题、只改标题行不改正文的两级自检
• scripts/clean_subs.py：YouTube 自动字幕去重（✓ 复用，已复制到本 skill scripts/）
• local-asr/：本地 ASR 子 skill（sherpa-onnx X-ASR，跨平台）——见 ../local-asr/SKILL.md
• volcengine-asr/：火山引擎 ASR 子 skill（BigASR / 豆包 2.0，云端）——见 ../volcengine-asr/SKILL.md