录完教程不用再写一遍：我把 38 秒视频交给 WorkBuddy，文章和 SOP 都出来了 - 努力的小雨
内容提要
该文章介绍了一种桌面Agent工作流，可将软件操作录屏自动转换为图文教程和SOP文档。它通过组合视频、语音和文字识别能力，对齐时间点生成带证据的步骤，并保留待确认项。个人和团队可借此减少重复劳动，但需确保视频授权，生成稿仅供复核，不自动发布。
延伸解读
多模态对齐是核心难点
文章指出，单纯依赖语音转文字或文字识别都不足以生成准确教程。旁白、界面文字和画面动作必须按时间点对齐，才能形成可验证的步骤。这种多模态融合的思路，比单一识别技术更能还原操作过程，也减少了因信息缺失导致的错误推断。
生成稿的边界意识
工作流刻意区分“已证实”和“待确认”内容。例如，视频只显示“复制提示词”入口，生成稿就只写“找到安装提示词”，而不写“安装成功”。这种保守处理避免了过度推断，让初稿更可靠，也提醒使用者注意证据与结论的匹配。
适用场景与授权提醒
个人创作者可快速将录屏转为图文初稿，团队则能批量处理培训视频生成SOP。但文章强调，第三方视频必须获得再利用许可，否则只能用于个人学习。这提醒用户，技术便利不能替代版权合规，使用前需确认授权。
Q&A
WorkBuddy 如何将软件操作录屏自动转换为图文教程和 SOP 文档？
WorkBuddy 通过组合 VITA（视频理解）、语音识别和文字识别三种能力，将录屏视频按时间点对齐，生成带证据的图文教程和 SOP 文档。具体流程包括：先读取视频时长、分辨率和音轨，均匀抽取关键帧，然后分别识别动作、旁白和界面文字，最后按时间对齐生成步骤，并保留待确认项。
tencentcloud-media-review 组合 Skill 包含哪些能力？为什么需要组合？
tencentcloud-media-review 组合 Skill 包含 VITA（视频理解）、语音识别和文字识别。组合的原因是单项能力都不够：语音识别无法知道页面上哪个结果带认证标识，文字识别能读到作者名称却不知道对应视频里的哪一步。只有将三项能力结合，才能对齐动作、旁白、截图和界面文字，生成可检查的教程步骤。
使用 WorkBuddy 处理录屏视频时，如何确保生成的教程准确可靠？
确保准确可靠的方法包括：1) 先读取视频时长、分辨率和音轨，均匀抽取 16 帧，确认操作完整；2) 旁白、画面和界面文字互相校对，三份证据对不上时，相关步骤进入待确认清单；3) 视频没有展示的结果不会被补写为成功，例如只出现“复制 prompt”入口，就只写“找到安装提示词”，不写“安装已经完成”。
个人创作者和团队分别如何利用 WorkBuddy 减少重复劳动？
个人创作者录完视频后，可以用 WorkBuddy 生成初稿，然后补齐标题、步骤和配图，核对待确认项，不必从空白文档重写。团队可以把同一产品的培训录屏放进固定目录，逐条生成 SOP，业务负责人只核对按钮、成功状态和内容时效，确认后再放进知识库。
使用 WorkBuddy 处理第三方教程视频时，有哪些注意事项？
第三方教程可以作为输入，但只有获得再利用和改写许可后，才适合公开成文。能下载视频不等于拥有转载权；没有许可时，生成结果只用于个人学习笔记。
WorkBuddy 生成的交付物包括哪些？是否会自动发布？
交付物包括 tutorial-article.md、SOP、来源表和待确认项。生成稿是可复核初稿，不会自动发布。视频没有展示的结果也不会被补写成“已经成功”。
在 Windows 上如何运行 WorkBuddy 的通用入口？
在 Windows 上可以直接运行通用入口，命令示例：.\scripts\run_video_to_tutorial.ps1 -VideoFile "D:\videos\你的教程.mp4" -VideoUrl "https://你已确认可上传的视频地址.mp4" -OutputDir "D:\tutorial-output" -ConfirmVitaCost。其中视频路径和输出目录都可以替换。
