# 《更有野心》幕后：71 小时从刷到原文到发出去，画面推倒重做了一遍 视频《怎么更有野心：写给用模型的人的教程》，13 分 03 秒，拆解 Anthropic 做 Claude 的工程负责人 Felix 的长文。一边是原文卷轴，一边是动画，主角是代表 AI 的红色小方块「小克」。画面全部是 AI 在 Remotion 里写代码画的；我没空录音，配音是用我上一期的真声克隆的。 **[看网页版 →](https://chenyuxiaojin.github.io/vibevideo/2026-10-19-more-ambitious/)** 有 11 段循环小片段、同一句画面的六版对照、开头 9 版的矩阵、质检官三轮看到的画面。 ## 谁做了什么 | | 做了什么 | 多少 | |---|---|---| | 我 | 刷到原文、自己改了开头几轮、定配音和语速、挑开头、挑毛病、换配乐、在达芬奇里加字幕、在编辑器里改封面、点发布 | 144 条消息 | | Claude Code | 素材包、写稿、克隆配音、第一版全片、样板、质检、字幕音效配乐、达芬奇、封面、上传 | 17 段对话，4,949 次操作（主线程 2,174，67 个子代理 2,775） | | claude -p | 开头 6 版、第 2–7 章重做加两轮返修 | 12 次，749 次操作，$93.82 | Claude Code 的 4,949 次：跑命令 3,022、读文件 1,048、写和改文件 271、操作达芬奇 241、操作浏览器 218、派活和沟通 92、其他 57。打开图片检查：Claude Code 977 次，claude -p 174 次。 统计范围：工具参数里提到本期关键字 3 次以上的对话，剔除两段无关的（一段问 Remotion 文件夹里有什么，一段是发片后问原文内容）；10-28 那段对话只算到同步完六个平台为止，之后改写成文章的部分不算；也不算做这个幕后页的对话。 ## 时间线 - **10-19（周一）**：21:00 我发了一张截图问「为啥没有人告诉我」。21:08 素材包建好：原文全文存档、1920×8563 整页长图、推文数据、16 条事实清单。AI 写了三版稿，23:52 我定第三版。（我 8 条 · Claude Code 64 次） - **10-20（周二）**：我没空录音，AI 先用克隆音占位，2 个半小时做完第一版全片。核出稿子里 9 处和原文对不上，改稿、改画面。我嫌声音不像，用上一期真声重新克隆、剪停顿。23:04 我说动画不够吸引人，AI 量完做 3 个样板。（33 条 · 1,674 次） - **10-21（周三）**：样板 C 主角换小克、画法对齐前两集。我自己改了开头几轮；定克隆音直接当成片配音，每分钟至少 300 字。20:24 开头 26 秒重做，9 版同时跑。23:31 第 2–7 章各派一个 claude -p 重做。（44 条 · 584 次） - **10-22（周四）**：00:06–01:09 两轮盲看质检、两轮返修。01:33–03:31 字幕、音效、配乐、混音、4K 成片。白天我换掉配乐、在达芬奇里加字幕；AI 导出、体检、出封面。19:56 我点发布。（49 条 · 2,373 次） - **10-27 – 10-28**：首发平台独占期满，AI 在浏览器里把成片传到其余五个平台、填标题简介、传封面，发布键都是我点的。（10 条 · 254 次） ## 第一版：2 个半小时，34 个工人 10-20 11:20 我把工程交给 Claude Code，中途只说了一句「你直接做完就好了」。它先把克隆音每个字什么时候开口量出来，再把原文长图切成 54 块锚点，然后分 7 章派工人同时做画面，做完一章审一章、审出问题就返修。13:52 整片 11 分 10 秒在 Studio 里打开给我看。 | 工种 | 人数 | 做什么 | |---|---|---| | 做画面 | 10 | 7 章各一个；3 个中途断网掉线，派新工人接着做完 | | 审片 | 8 | 每章抽帧看，给出返修单 | | 返修 | 9 | 按返修单改，别处不动 | | 核对 | 6 | 查齐不齐、对原文核事实、核稿子和录音、核能不能编译，另 2 个复核锚点 | | 标定 | 1 | 把原文长图切成 54 块锚点，讲到哪段亮哪段 | - **133 行，每个字的开口时间都量出来**：画面要卡某个词，就写「第几句里的哪几个字」，帧号由程序查。拿波形里量到的停顿核对：一半的字误差在 15 毫秒以内，九成在 81 毫秒以内。后来换声音、剪停顿，画面都是重跑一遍对齐就跟上了。 - **核出 9 处和原文对不上**：比如米开朗基罗那句引语原文里没有、「医学界断言 4 分钟是极限」原文也没有。我说「改吧」，稿子、录音、画面一起改。 **我说「动画不够吸引人」，AI 先量了一下**（每 2 秒抽一帧，和上一期《模型如何看视频》比）： | | 这条第一版 | 上一期 | |---|---|---| | 画面里有东西的面积 | 7% | 30% | | 每 2 秒画面变化的部分 | 7% | 45% | | 几乎不动的时间 | 22% | 3% | 最弱的「高度」一章：6% / 4.5% / 28%。动画区九成以上是空白宣纸。 ## 换画法：同一句「替它猜路径」，画了六遍 1. **第一版**（10-20 13:52）：写着「模型」的黑墨团被塞进窄管，意思全靠旁边的字。 2. **样板 A · 大主体近景**（10-20 23:45）：墨团放大到画面三分之二高。 3. **样板 B · 角色主演**（同上）：墨团有了眉眼，被挤成「> <」脸。 4. **样板 C · 换成小克**（10-21 00:11）：水墨山水、光效。我说小克太大、风格和前两集不一样。 5. **对齐前两集**（10-21 13:03）：AI 把前两集成片截图一张张对过，宣纸平涂、毛边墨线、宋体字，小克缩到一半。 6. **成片**（1:44）：「你」的手握着笔替小克画好路，小克只能照着走。 ## 开头 9 版：我挑了 AI 排在最后的那版 10-21 20:24 我说：「开头的 26S 需要完全的重做，现在看起来是 5S 完播 10% 的视频。」AI 定了三个方向，各派一个 xhigh 档的子代理；我又说还可以单独再跑 medium 和 high，「是加，不是说换」，于是每个方向再加两个 claude -p。54 分钟 9 版全部交回。 | 方向 | xhigh（子代理） | high（claude -p） | medium（claude -p） | |---|---|---|---| | A 墨字「野心」 | 46 分钟 · AI 推荐第 1 | 24.3 分钟 · $3.55（断线一次续跑） | 9.8 分钟 · $2.46 | | B 小克主演 | **41 分钟 · 我挑的** | 19.6 分钟 · $4.24 | 10.3 分钟 · $2.56 | | C 自己想比喻 | 35 分钟 | 17.0 分钟 · $3.79 · AI 推荐第 2 | 12.8 分钟 · $2.74 · AI 推荐第 3 | xhigh 那三版的花费没有单独记录。 - **AI 的排法错在哪**：它把 B 排在最后，因为线条少、画面不够「满」。我说「首先 A 的肯定是不行的，C 也是不行的……用那个 open B」。AI 承认 C 想出来的瓶中船、大墨树和口播对不上，拿「满不满」排好坏是错的，以后挑版先对我认可过的画法。 - **「10 秒钟大概有 11 次镜头抖动」**：我随手数的。AI 按帧算了镜头位置，前 10 秒正好起停 11 次。改完整个开头 26 秒的镜头起停从二十来次减到 7 次。 ## 第 2–7 章：6 个 claude -p，24 分钟交齐 我说「每一个画面都有点不明所以……所有的模型都换成小克」。AI 先把 46 拍每拍抽一帧看了一遍，23:31 起 6 章各派一个 high 档的 claude -p 同时重做：口播说到什么，画面里就有人正在做这件事，不读名牌也能猜个八九不离十。 | 章 | 首轮重做（high） | 加两轮返修后（xhigh） | 盲看分 第一轮 → 第二轮 | |---|---|---|---| | 2 第一层认知 | 14.6 分钟 · $4.50 | 36.3 分钟 · $10.65 | 2.33 → 2.5 | | 3 高度 | 19.2 分钟 · $5.38 | 42.9 分钟 · $14.09 | 2.6 → 2.82 | | 4 深度 | 20.9 分钟 · $5.50 | 46.0 分钟 · $13.61 | 2.58 → 2.42 | | 5 广度 | 14.5 分钟 · $4.27 | 38.0 分钟 · $10.25 | 2.6 → 2.6 | | 6 心法 | 21.1 分钟 · $5.98 | 42.9 分钟 · $14.34 | 2.0 → 2.4 | | 7 结尾 | 18.9 分钟 · $5.01 | 39.5 分钟 · $11.53 | 1.75 → 2.25 | 用时和花费取每个 claude -p 自己记录的累计值。满分 3 分。第三轮返修后没有再派人复审。 ## 盲看质检：12 个质检官只看画面 我说：「派一个质检官，去对画面的意向意图识别进行检查……你要做的不只是一个普通的动画，是要比之前做过的所有视频都要优秀的动画。」AI 派了 6 个质检官，一章一个；返修完再派 6 个新的复审。 1. **盲看**：每拍只给 4–10 张连续画面，不给口播文字。先写下「看到了什么、猜这段在讲什么、哪里看不懂」，写完不许改，才能打开文稿。 2. **对答案、挑毛病**：盲猜对照真实口播打 0–3 分。再挑毛病：删掉这个画面观众损失什么、焦点是不是正在讲的词、有没有像 PPT 一样一页页蹦、数字有没有编。每条标到第几秒。 **一拍改三遍：米开朗基罗「不想画画」**（第 6 章，10:17–10:23） - 第一轮 1 分：口播说他是雕塑家、不想画，画面上小克却戴着贝雷帽在画布上画，画反了。质检官盲猜成「他接下了超出自己身份认知的任务，做成了」。 - 第二轮 2 分：改成大理石加凿子、推开递来的画笔。但天花板拱成了穹顶，整章的天花板代表「限制」，拱起来会读成上限被抬高了。 - 成片：天花板不再拱起，梁下挂一排空画框，小克推开画笔只顾凿石头。 **返修常常改过头**：照着质检的改法做，反而把原来好的地方改坏了（删掉名牌后三个图标被拆散、给翅膀加的捆绳糊成一团）。第三轮 AI 写明：复审确认好的地方一律别动，只修没到满分的拍。 **顺手查出的事实问题**：第 4 章终端里「书面词 23 处 / 长句 9 处」是编的，换成真实扫描数据；第 7 章转发卡补上实看过的英文原句；还有两句口播和原文意思有出入，AI 只报告、不改稿，由我定。 ## 声音和后期 10-22 01:32 我说加字幕、加音效、加 BGM，「每一个变化都有对应的音效」，「我给你完整的 7 个小时」。03:31 它交了 4K 成片，没用满：后面几轮 AI 试听的意见开始互相矛盾，它停手交给我的耳朵。 | 项 | 做法 | |---|---| | 克隆配音 | 改用上一期我真人念的约 3 分钟原声重新克隆，避开那期里机器补的 18 句；比了四代模型。我要求「300 字 1 分钟吧，起码都得」，选先多剪停顿、再整体拉伸那版 | | 音效 | 7 个代理各读一章的动画代码，算出 1,576 个「画面在变」的时间点，每个点配一声；另一个代理备了 101 个 CC0 音效、31 类。顺手修了 3 处一帧瞬移 | | 字幕 | 450 条，每行不超过 16 个字，按词断行。我在达芬奇里加，AI 查出整条晚 1 帧，我挪回来 | | 配乐 | AI 按 7 章各生成一段拼成整条，我说「BGM 不咋样」，换成我 6 月做的一首 64 秒的曲子；AI 把它拼成 13:03：前 24 秒照放，之后每到第 24 秒跳回第 8 秒，接口落在句首重拍 | | 真人开头 | 我录了一段。AI 量出声音比嘴早 2 帧，把麦克风补偿设成 67 毫秒，在达芬奇里用 Fusion 做了「甩到右下角」。我问是不是加了混响，它量给我看是房间回声，和克隆音空间感对不上。我说「都撤销吧」 | 导出后体检：4K · 30 帧 · H.265，带字幕和不带字幕两版；23,505 帧，片尾无黑屏；-14.1 LUFS，峰值 -1.1 dB；配乐比人声低 7.1 dB；和母带比三处取样相似度约 0.996。可发。 ## 遇到的问题 - 开头加跑 medium、high 时，派活方式被全局设置盖成了 xhigh → 立刻停掉（还没写代码），改成单独开 claude -p、显式写档位，逐个查运行记录确认。 - 我说「开头第一句话都被切没了」→ AI 重新转写旁白前 6 秒，一个字没少；是 Studio 预览被设了一个入点，不影响成片。 - 第 6 章返修时，脚本把一个还没提交的文件清空了 → 从上一轮打包文件里找回，之后打了带时间的备份包。 - 重渲 4K ProRes 母带（52 GB，38 分钟）时发现硬件编码偏橙 → 全片改软件编码重渲。 - 体检脚本报「码率 27 Mb/s 偏低」→ 门槛是按 H.264 定的，逐帧比画质相似度约 0.996，判误报。 - 封面两次没等我选就导出了 → 撤回；之后我说了才导出，编辑器加了「保存」按钮。 ## 我说过的话（改变了片子的那几句） - 10-19「这个文章，和我之前出的 Fable5指南和扫盲，都是很重要的，为啥没有人告诉我」→ 立项。 - 10-20「能不能先搭画面骨架，我现在没空录制声音。或者用克隆音，后面我录制。」→ 克隆音占位。 - 10-20「怎么还在用 kimi 啊，用我上一条视频的声音不行吗？」→ 用上一期真声重新克隆。 - 10-20「我觉得动画不够吸引人。」→ 量原因、做三个样板。 - 10-20「C 的变化是可以的，但是太脏了，模型能不能用小克」→ 主角换成小克。 - 10-21「小克太大了，然后风格有些不一样，不能看之前2个 工程作为参考吗。」→ 照前两集重画。 - 10-21「原文就是4个，他是在第一个里面说的速度去掉，我为什么要在开头去掉？」→ 开头按原文说四个方向。 - 10-21「想直接拿克隆音当成片配音，我听声音还挺好的，就是气口不对劲。」→ 克隆音变成成片配音。 - 10-21「开头的26S 需要完全的重做，现在看起来是5S 完播10%的视频。」→ 9 版开头。 - 10-21「首先 A 的肯定是不行的，C 也是不行的……用那个 open B」→ 换上 B。 - 10-21「我刚刚随便数了一下，到 10 秒钟大概有 11 次镜头抖动」→ 镜头起停减到 7 次。 - 10-21「每一个画面都有点不明所以，也就是画面和内容的关联性不知道在哪里。」→ 第 2–7 章重做。 - 10-21「派一个质检官，去对画面的意向意图识别进行检查」→ 12 个质检官盲看。 - 10-22「BGM 不咋样，我自己在达芬奇做吧，然后音效可以保留。」→ 换成自己的曲子。 - 10-22「这个封面你是需要重新用生图模型去生成的呀，你不能一直去复用之前的呀」→ 重新生成 6 张底图。 - 10-22「然后我都没有选择要哪一个，你凭什么就给我放进去了呀？」→ 撤回，之后我说了才导出。 ## 做完这条，我记住了三件事 1. **多跑几版，但挑的人是我。** 9 版开头 54 分钟就交回来了，可 AI 推荐的前三名我都没要。它按「画面满不满」排，我看的是像不像我们这个系列。 2. **「不明所以」可以变成分数。** 让另一个 AI 不看文稿、只看画面猜意思，猜不中就是没演出来，具体到哪一拍、第几秒。 3. **声音的最后一关留给耳朵。** 我给了 7 小时，AI 2 小时就停了，因为它自己几轮试听的意见开始打架。配乐和真人开头，最后都是我听了拍板。 ## 花费 12 次 claude -p 合计 $93.82（按 API 价格折算）：开头 6 版约 $19.3，第 2–7 章重做加两轮返修约 $74.5。返修是接着原来的会话做的，取每个会话最后记录的累计值。开头 xhigh 三版是子代理，Claude Code 主会话和子代理的花费都没有统计。 --- [← 全部幕后](https://chenyuxiaojin.github.io/vibevideo/) · **陈与小金**（chenyuxiaojin）· 非程序员，用 Claude Code 做一切 · [个人网站](https://xiaochens.com/) · [博客](https://blog.xiaochens.com/) · [GitHub](https://github.com/chenyuxiaojin) · [YouTube](https://www.youtube.com/@cyxj_ai) · [B 站](https://space.bilibili.com/505358756) · [抖音](https://v.douyin.com/A1qVQrOgPjY/) · [X](https://x.com/cyxjya)