别用 Sora 硬刚科普了：给个主题，这个开源 skill 用代码"画"出整条讲解视频
想做一条技术讲解视频，你大概会在三条路上反复纠结。
找 Sora、Veo、可灵这类视频生成模型：给一段提示词确实能出画面，但画面里出现的数字、机构、年份它可能随手就编，你也没法精确指定第三秒该显示什么；想改一帧？基本只能重抽。找数字人工具：一个虚拟主播站在那里念稿，机制讲不清楚，看两分钟就犯困。或者自己用 Manim、Remotion 一行行写——效果好，但一条五分钟的片子可能要磨上一两个礼拜。
最近在 GitHub 上看到一个思路很不一样的开源项目 anything2explainer。它是一个 Claude Code / Codex 的 skill：你给一个主题，它直接产出一条黑底 MG 风格的科普讲解视频，带配音、字幕和章节进度条，中文英文都行。最关键的是，画面全部由代码绘制，不用素材库、不用视频生成模型，也不使用任何现有视频的帧。项目 9 月 8 日上线，二十天左右拿到 2000 多 Star。
它到底是什么
先纠正一个预期：anything2explainer 不是一个你装好就能双击运行的 CLI。仓库里装的是一整套让 AI 编程 Agent 把片子做出来的方法：
- 一个可编译的 Remotion 模板工程（React + TypeScript）；
- 一套图元与光效库（白线条图形、紫色重点、点阵波/星点幕底）；
- 配音、分镜、渲染、量化质检的脚本工具；
- 风格规范、动效词表和多 Agent 分工协议；
- 一条完整样片作为质量标尺。
换句话说，它把"一个会做 MG 视频的资深团队"的工作流，编码成了 Agent 可以照着执行的文档和模板。你要做的只是在 Claude Code 或 Codex 里说一句：“讲一下向量数据库，做成一条讲解视频。”
九阶段流水线：多 Agent 并行，四个点等你确认
整个流程分九个阶段，最耗时的"写镜头"环节由多个构建 Agent 并行完成——一个镜头对应一个文件。
- 建项目：从模板复制出 Remotion 工程；
- 调研：一个 Agent 做带出处的调研，每个数字、年份、术语都配 URL；
- 解说词与时间轴：写文案、生成 TTS 配音，按词边界生成帧级时间轴；
- 分镜：每镜头一行，写清帧区间、节拍、画面、动效、主角和光；
- 覆盖层与图元：片头、章节卡、HUD、流程轨加主题图标；
- 打样：先渲 30 秒样片给你看风格；
- 并行构建：多个 Agent 各写 5–7 个镜头的纯函数组件；
- 渲染：整片渲染并跑量化帧指标；
- QC 与修复：每章一个 QC Agent 逐帧检查，修完复验再交付。
它不会闷头从头做到尾，而是在四处停下来等你拍板：时长与语言、解说词定稿、配音、前 30 秒样片。这个设计背后是一条很朴素的成本规律——解说词定稿是最便宜的干预点，因为定稿之后帧号会被每个镜头硬编码，改一个字就得全片重新对位；而 30 秒样片阶段改风格，代价只是一个构建组，整片渲完再改就是全部组。
真实成片长什么样
项目的质量标尺是一条《RAG 与知识库》样片：中文版 4 分 54 秒、44 个镜头、1490 字。下面这张帧拼图能直观看到它的画面语言——黑底、白线条、紫色重点、超粗黑体大字，动画随解说逐步添加元素，用"大模型开卷考试"这类比喻把检索增强生成讲清楚。
章节切换时会有专门的章节卡，底部常驻一条全片章节进度条，观众随时知道自己看到哪儿了。
讲到具体机制时（比如 Agent 循环、GraphRAG），画面会用图形把流程画出来，而不是干念定义。
全套过程文件——从调研、解说词、分镜表、逐镜头源码到 QC 报告——都在仓库的 examples/rag/ 里，可以直接对照着学。
一个有意思的设计：用"正反例"约束审美
Agent 自动生成画面，最大的风险是"每个元素单看都对，凑在一起又乱又丑"。anything2explainer 的应对方式很工程化：在 examples/contrast/ 里放了 6 组正反例帧对照——主体该多大、大字该怎么出现、数字该放哪、背景该不该留空、结尾该怎么收，每组都给一个 good 和一个 bad。
这等于把"什么叫好看"从一句模糊的"高级感"，变成了 Agent 可以比对的具体判据。QC 阶段也是按书面标准逐帧打分，而不是凭感觉说"我觉得还行"。
十分钟装起来
git clone https://github.com/Vincentwei1021/anything2explainer.git
ln -s "$PWD/anything2explainer" ~/.claude/skills/anything2explainer # Claude Code
ln -s "$PWD/anything2explainer" ~/.codex/skills/anything2explainer # Codex
依赖方面：Node 18 以上（模板 npm install 会装 Remotion 4.0.507 / React 19），ffmpeg 必需；Python 侧装 edge-tts、numpy、pillow、scipy。中文默认配音走 edge-tts 的云希男声，免费且带词级边界；英文默认用 8200 万参数的 kokoro 本地模型，CPU 就能跑。
几个值得说的工程细节：不需要 GPU，Remotion 用无头 Chromium 在 CPU 上渲染；渲染完全可复现，所有动画都是帧号的纯函数、随机数带种子、排版靠计算而不测 DOM，重渲一遍帧完全一致。项目甚至在树莓派 5 上跑通了，针对 ARM 上 kokoro 难装的问题补了 kokoro_onnx 和 piper 两个兜底引擎。
工程层面的一个判断
这个项目最值得琢磨的，是它主动放弃了像素级的自由，去换确定性。
视频生成模型最大的卖点是"什么都能生成"，但对知识类内容，这恰恰是风险来源——你无法保证画面上的每个事实都是对的。anything2explainer 反其道而行：画面是代码，所以每个数字都能追溯到调研文档里的 URL，任何一帧出问题都能通过改一个镜头文件修好，重渲还能精确复现。再加上把干预点尽量前置（30 秒样片、解说词定稿）和用正反例固化审美，整套方法其实回答了一个更普适的问题：当你让 Agent 做一件复杂的、有明确质量标准的事时，应该怎么组织流程。
谁该用，谁先等等
适合：需要持续产出技术科普/知识类视频的开发者、团队或教育博主；想研究多 Agent 协作、Agent Skill 工程化的人，这套仓库是非常完整的参考实现；不想为视频生成模型付费、又要画面可控可改的用户。
需要注意：
- 工具包本身是 PolyForm Noncommercial 许可，非商业使用免费，商用需事先获得作者授权（不过用它做出来的视频归你自己）；
- 目前只做 1280×720 横屏，不支持竖屏 9:16，也不适合复刻现有视频、真人口播或以实拍为主的片子；
- 视觉风格有意只做黑底 MG 一种，想要别的风格得自己改 style guide；
- 解说词一旦配音定稿就不能改词，多 Agent 并行构建对机器有要求（建议预留 5GB 以上磁盘）；
- 脚本主要在 macOS 上验证，Linux 可用（含树莓派），Windows 未测试。