需要把任意 URL 或 GitHub 仓库做成约…

适用于用真实浏览器走查任意 URL（GitHub 仓库、产品页、文档站、博客或发布页），生成约 60-80 秒、带浏览器边框、头像口型同步和元素缩放解说的视频。

适用场景

解决思路

1. 在任何付费 MCP 调用前，调用 `identity_balance({verbose: true})` 一次。
2. 展示当前余额、近期消耗速率和剩余可用量。
3. 用指定消息做成本门禁：估算成本约 50-500 credits（约 $0.50-$5.00），取决于 lipsync provider、旁白、字幕和 preview 模式；用户回复 `proceed` 才继续，回复 `cancel` 则停止。
4. 成本门禁在 URL 和可选 flags 已知后、头像生成、语音、lipsync、字幕、视频合成前执行。
5. 静默解析 avatar/voice，不问用户是否使用头像或选择哪个 voice。
6. 尊重显式 `--avatar`、`--voice`；否则生成 presenter avatar 并选默认 voice。
7. 只有成本门禁要求 `proceed`；`--preview` 对显式 avatar 默认 opt-in，但 generated/regenerated fallback avatar 强制自动 preview。
8. 不主动询问 `--focus`，先按页面结构自信尝试，用户可用 `--focus X` 重跑。
9. Claude Desktop 不能把粘贴图片传给 MCP 工具；若用户粘贴照片或提本地文件作 `--avatar`，暂停 Step1 并提示粘贴 URL 或附文件。
10. 本地文件到达后，用 `upload_asset` 转成 public URL，把返回 `public_url` 作为 `--avatar <url>`；已托管 `https://...` 可直接用；无 avatar 则静默生成 presenter portrait。
11. Step0：从 `$ARGUMENTS` 去掉 flags 和 key=value 参数。
12. 若剩余无 `https://...` URL 或为空，原样打印菜单并停止等待用户下一条消息，不调工具。
13. 若已有 URL，跳过 Step0 静默进入 Step1；用户回复 URL 后视为解析输入，不再重复询问。
14. Step1 必填 `url` 必须 `https://...`；可选参数 `--avatar <url>`、`--voice <minimax-voice-id>`、`--focus ...`、`--live-url <url>`、`--lipsync-provider <pika|kling>`、`--no-captions`、`--preview`；`--skip-preview` 和 `--yes` 为 no-op。
15. 模式检测：GitHub 模式 = host `github.com` 且 path `/{owner}/{repo}` 无更深段，启用 README 扫描、live-demo 检测、GitHub selectors；其他为 Generic-URL 模式，跳过 GitHub extras，用通用 CSS selectors 走 URL 本身。
16. Avatar 解析：有 `--avatar <url>` 就用；否则调 `generate_image` 一次，prompt 为 professional presenter, friendly tech narrator, studio portrait, 1:1, natural lighting，用返回 URL；记录 `avatar_source` 为 `explicit`、`generated` 或 `regenerated`。
17. Avatar suitability gate：在 Step4 TTS 和任何 `generate_lipsync` 预览/全量前，调 `analyze_media(media=<avatar>, query=<gate_query>)` 一次。
18. Gate query 返回 JSON，含 `is_single_front_facing_coherent_human_face`、`has_visible_mouth`、`is_faceless_or_masked`、`is_mascot_illustration_or_non_human`、`face_suitability_score`、`apparent_gender`、`reason`。
19. 仅当 `is_single_front_facing_coherent_human_face == true`、`has_visible_mouth == true`、`is_faceless_or_masked == false`、`is_mascot_illustration_or_non_human == false`、`face_suitability_score >= 75` 才通过。
20. 若 explicit avatar 失败，付费 lipsync 前停止，要求 `--avatar <real-looking-photo-url>` 或允许生成 presenter portrait。
21. 若 generated avatar 失败，用 prompt 为 realistic professional presenter portrait, single front-facing coherent human face, visible mouth, friendly tech narrator, neutral studio background, 1:1, natural lighting 再 `generate_image` 一次，设 `avatar_source = regenerated` 并重跑 gate；再失败则报错中止。
22. 若 `avatar_source` 为 `generated` 或 `regenerated`，设 `avatar_auto_preview_required = true`；否则除非用户传 `--preview`，为 false。
23. Voice 解析：有 `--voice <id>` 就用；否则选 MiniMax `speech-2.8-hd` 预设匹配 avatar apparent gender：female → `English_PlayfulGirl`，male → `English_Jovialman`，unclear → `English_Jovialman`。
24. 根据 avatar suitability gate 的 `apparent_gender` 推断，不询问用户；不要用 `English_FriendlyPerson`；其他 female 可用 `English_Upbeat_Woman`、`English_LovelyGirl`、`English_radiant_girl`。
25. Step2：Both 模式用 `WebFetch` 拉输入 URL 主内容（h1、hero、headings、primary copy）。
26. 构建 `proper_noun_glossary`，包含产品、repo、公司、模型、框架和专有名词规范拼写，来自 URL/domain、页面标题、h1、README headings、repo metadata、包名和重复大写 token；GitHub 保留 README/source scan 的准确拼写如 `Ollama`、`Llama`、`DeepSeek`、`Gemma`，用于旁白和字幕防止 `Olama`、`DeepSeq` 等漂移。
27. GitHub 模式额外：拉顶层文件树、(best-effort) `package.json`/`pyproject.toml`、`gh api repos/{owner}/{repo}` 获取 `homepage`、`description`、`language`、`topics`。
28. 按优先级检测候选 `live_url`：1 用户 `--live-url`；2 GitHub API `meta.homepage`；3 `package.json` 的 `homepage`；4 README 中首个匹配 vercel.app/netlify.app/github.io/fly.dev/railway.app/render.com/herokuapp.com/surge.sh 的 URL；5 README 中 badge area / Live Demo / Project Page / Demo 文字指向的任意 URL；6 GitHub Pages `https://{owner}.github.io/{repo}`，仅当深树含 frontend signal（`index.html`、`App.tsx`、`App.jsx`、`App.vue`、`app.py`、`main.py`）。
29. 若无候选 `live_url`，beat sheet 跳过 beats 6-7。
30. Generic-URL 模式：输入 URL 是唯一 URL，不推断 `live_url`，不拉额外 metadata；跳过 Step2.5 和 Step3.0，直接 Step3。
31. Step2.5：GitHub 模式写 beats 6-7 前，对候选 `live_url` 用 `WebFetch` 验证可达性；4xx/5xx 则 drop 到 None 并跳过 beats 6-7。
32. 若响应是 GitHub Pages 404 — There isn't a GitHub Pages site here. 模板，或 body 含 There isn't a GitHub Pages site here，也 drop 并跳过；否则保留。
33. Step2.6 Generic URL pre-flight：WebFetch 输入 URL 检查，防止录 captcha/bot-block、cookie banner 吃掉前 3 秒、通用 selector 错过 hero/sections。
34. 若 body 含 Verify you are human、verify you are not a robot、captcha、CAPTCHA、reCAPTCHA、403 Forbidden、Access Denied、Just a moment 加 cf-chl-bypass、We're sorry, something went wrong，或 title/h1 只是 Robot Check/Are you a robot?，ABORT 并告知用户 headless Chrome 无法渲染。
35. 扫描 cookie/consent：id/class 以 `onetrust-`、`truste-`、`cookie-banner`、`cookie-consent`、`gdpr-`、`consent-`、`cmp-` 开头；按钮匹配 `(?i)accept (all )?cookies`、`(?i)agree.{0,10}cookies`、`(?i)i (accept|agree)`；Apple id `ac-gdpr-banner` 或 class `as-globalfooter-curtain`；Google consent `[role='dialog']` 文本 Before you continue；检测到则 `cookie_banner_present = true`。
36. 若检测到 cookie banner，防御双层：在 `capture_website` 传 `extra_css` 隐藏常见 banner；在 `at_s: 0.0` 对最可能 dismissal selector 发 `click` `timed_action`（如 `#onetrust-accept-btn-handler`、`[aria-label*='Accept all' i]`、`button[id*='accept']`）。
37. 使用给定 `extra_css` payload：`#onetrust-banner-sdk, #onetrust-pc-sdk, #onetrust-consent-sdk { display: none !important; } #truste-consent-track, #truste-consent-content, .truste_box_overlay { display: none !important; } [id*='gdpr-cookie'], [id*='cookie-consent'], [id*='cookie-banner'] { display: none !important; } [class*='cookie-banner'], [class*='cookie-consent'], [class*='consent-banner'] { display: none !important; } [class*='CookieBanner'], [class*='CookieConsent'], [class*='ConsentBanner'] { display: none !important; } #ac-gdpr-banner, .as-globalfooter-curtain { display: none !important; } [role='dialog'][aria-label*='cookie' i], [role='dialog'][aria-label*='consent' i] { display: none !important; } .cmp-container, .cmp-modal, .cmp-banner { display: none !important; }`
38. Generic-URL 真实 DOM 识别：对每个 beat 优先用 WebFetch 观察到的实际 DOM 元素；读 rendered HTML/markdown，记录 primary h1 文本/class、section 结构、CTA/signup/pricing 元素。
39. 对每个 `zoom_target.selector` 按 selector ladder：1 稳定 id/class（`#hero`、`.tile-headline`、`.as-headline-section-title`、`.pricing-card`）；2 accessibility/link 属性（`[aria-label*='Get started' i]`、`a[href*='pricing']`、`a[href='/new']`）；3 语义结构（`main > section:nth-of-type(N) h2`、`main section:nth-of-type(N) [role='img']`、`footer h2`）；4 broad fallback（`h1`、`main`、`section h2`、`button`、`a[href]`）。
40. 所有 selector 必须是 `document.querySelector` 可解析的 vanilla CSS；不要 `:contains(...)`、`:has-text(...)`、`text=...` 或 XPath。
41. 若 WebFetch 少于 3 个可见 headings 或文本极少，视为 SPA/lazy-render，emit 更长 initial wait `{type: wait, at_s: 0.0, ms: 2500}`，普通页 1500ms。
42. `--focus` 若提供则遵循，不主动询问；无 `--focus` 用 generic structure cues 静默自信首轮；有则锚定匹配的具体页面 sections，忽略无关营销 chrome。
43. Step3.0 GitHub only：写 beat sheet 前扫描 README（大小写不敏感全文）必需 section，找到则必须加 dedicated beat，必要时替换 generic beats 4-5。
44. README section 到 beat 映射：`overview`/`what is` → scroll_to heading，zoom `.markdown-heading:has(#user-content-overview) .heading-element`；`how it works` → `.markdown-heading:has(#user-content-how-it-works) .heading-element`；`audio layer`/`audio timeline` → scroll_to audio-layer diagram，zoom 渲染图或周围 heading；`claude code`/`mcp integration` → scroll_to section，zoom `article pre` 或 `.highlight`；`architecture`/`system design` → `.markdown-heading:has(#user-content-architecture) .heading-element`；`features` 顶部显著 → `.markdown-heading:has(#user-content-features) .heading-element`；`getting started`/`quick start`/`installation` → `.markdown-heading:has(#user-content-installation) .heading-element` 或 `article pre`；`usage`/`examples` → `.markdown-heading:has(#user-content-usage) .heading-element` 或其第一个 code block。
45. GitHub heading slug 规则：lowercase、空格转 dash、去掉非 `[a-z0-9-]` 字符；如 How it works → `#user-content-how-it-works`。
46. GitHub DOM verified 2026-05-28：repo name `strong[itemprop='name'] a`；README body `.markdown-body`；README title `.markdown-body h1.heading-element`；section headings `.markdown-heading:has(#user-content-<slug>) .heading-element`，fallback `.markdown-body h2.heading-element`。
47. 若 GitHub beat 的 `action_bboxes[].found` 为 false，停止并重新验证 GitHub 当前 DOM，不要用 default-position fallback。
48. Selector contract：`bbox_selector` 必须是 `document.querySelector` 可解析的 vanilla CSS；避免 `:has-text(...)`、`text=...`、`:visible`；CSS Level 4 `:has(...)` 可用。
49. Step3 编写 JSON array 8-10 beats，硬总时长 65-80 秒，硬总词数 165-200 words（按 2.5 words/sec）。
50. 每个 beat 字段：`t_start`、`t_end`、`action`（含 `type` 为 `navigate`/`scroll_to`/`hover`、`url`、`selector`）、`zoom_target`（含 `selector`、`description`）、`vo_text`（1-2 句对话）。
51. Hard constraints：每 beat 五字段；`t_start` beat0=0.0；`t_end[i] == t_start[i+1]`；`len(vo_text.split())/2.5` ≈ `t_end - t_start` 且 ±10%；最后 `t_end <= 80` 秒；总词数 165-200。
52. 每 beat `zoom_target.selector` 必须对落地页面有效 CSS；GitHub 优先 `strong[itemprop='name'] a`、`.markdown-body h1.heading-element`、`.markdown-heading:has(#user-content-<slug>) .heading-element`、`.markdown-body h2.heading-element`、`.blob-code-inner`、`.highlight`、`.octicon-star`、`nav`；Generic 优先 `h1`、`[role='main']`、`main`、`header`、`nav`、`.hero`、`.feature`、`section h2`、`[class*='cta']`、`[class*='hero']`、`button`、`a[href]`；选择器需在 action 稳定后解析，发前用 WebFetch DOM 验证。
53. `vo_text` 1-2 句对话，dev voice，无 stage directions，无 markdown；`action.url` 当 `type == navigate` 时是有效 `https://...`。
54. Step4 前自检：`total_words` 在 `[165,200]` 且 `total_seconds`（`beats[-1].t_end`）在 `[65,80]`；任一越界则重写 beat sheet，不进入 TTS。
55. GitHub 结构骨架：Beat1 navigate repo root，zoom `strong[itemprop='name'] a`，hook；Beats2-3 navigate 具体源码文件 `https://github.com/{owner}/{repo}/blob/HEAD/<path>`，zoom `.blob-code-inner` 或 `.highlight`，选与 narration 声明匹配的文件；Beats4-5 scroll_to README sections，zoom heading/body，Step3.0 要求时替换；Beats6-7 仅 `live_url` 存活时 navigate 到它，zoom `nav`/`h1`/`.hero`/`main`/`button`/`.feature`；Beat8 回 repo root，zoom `.octicon-star`，outro。
56. Generic 结构骨架：Beat1 navigate 输入 URL，zoom `h1` 或 `[class*='hero'] h1`，hook；Beats2-3 scroll_to hero/value-prop/first feature，zoom `.hero`、`[class*='hero']`、`[class*='feature']`、`section:nth-of-type(1) h2`；Beats4-5 scroll_to 更深 sections，zoom `section h2`、`[class*='feature'] img`、`[class*='testimonial']`、`[class*='pricing']` 或显著语义元素；Beats6-7 scroll_to CTA/signup/demo，zoom `[class*='cta']`、`button`、`a[class*='button']`、`[id*='signup']`；Beat8 scroll_to footer/closing，zoom `footer h2`、`footer` 或回顶 `h1`，outro。
57. 若 `--focus` 提供，融入 `vo_text` 但不改结构骨架；优先 CSS selectors 而非 `text_content`。
58. Step4 TTS：调 `generate_speech`，`provider: minimax-tts`，`text` 为完整 `vo_text` join，可选 `voice_id`（来自 `--voice` 或 Step1 默认预设）。
59. 捕获 `result.audio_url`（dispatcher 返回在 `audio_url` 不是 `url`）和 `result.duration_seconds`。
60. Stale-voice fallback：dispatcher 在 Minimax `status_code:2054` 时用默认 `Calm_Woman` 重试一次；若响应含 `voice_id_requested` 和 `fallback_reason: invalid_minimax_voice_id`，提示用户注册 voice 过期并用系统默认，可 `clone_voice` 恢复，不重试。
61. Cookie-banner 音频 padding：Generic 且 `cookie_banner_present == true` 时，默认 MiniMax 路径在 `text:` 前 prepend `<#1.5#>`；若 Step4 用 `provider=elevenlabs`，跳过 marker 用 fallback audio-mix padding。
62. Fallback：若 marker 被忽略，正常 `generate_speech`，再 `edit_audio_mix` 将结果 overlay 到 1.5s 静音 base 的 offset 1.5s；然后 `analyze_media(url=<padded_audio_url>)` 探测 padded duration 并 rebind `duration_seconds = result.duration_seconds`；以 `analyze_media` 为权威 duration probe，不依赖 `edit_audio_mix` payload。
63. Step4.5 对 `audio_duration_seconds`（含 cookie lead-in pad）做音频长度验证和 beat-sheet rescale；所有 `beats[]` 修改都在这里；Step6/8 只读。
64. Gate1：若 `audio_duration_seconds > 90`，abort 并用更紧词预算重写 beat sheet，因为 Kling avatar/image2video 超过 ~90s 会卡。
65. Gate2：计算 `narration_duration = audio_duration_seconds - (1.5 if cookie_banner_present else 0.0)`；若 <30s，重试 Step4 一次并重算；仍 <30s 则 abort 调查（截断 MiniMax、静音、vo_text 未正确 join）。
66. Gate3：`narration_duration = audio_duration_seconds - (1.5 if cookie_banner_present else 0.0)`；`scale = narration_duration / beats[-1].t_end`；若 `scale < 0.5` 或 `> 1.5`，abort 重写。
67. Gate3 缩放：对每个 beat `t_start *= scale; t_end *= scale`；若 `cookie_banner_present`，对每个 beat `t_start += 1.5; t_end += 1.5`；最终 `beats[-1].t_end = audio_duration_seconds` 精确 clamp。
68. Gate3 后输出一行日志：`Rescaled beats by scale=X.XX (audio=Y.YYs, narration_duration=Z.ZZs, cookie_pad=W.Ws)`。
69. Advisory：scale 近 1.0 理想；>1.2 音频更慢视觉拉伸但同步；<0.85 音频更快视觉匆忙但同步；均通过 gate。
70. Step5 Preview gate：仅当用户未传 `--preview` 且 `avatar_auto_preview_required == false` 时可跳过；`--skip-preview` 和 `--yes` 为 no-op。
71. 若 `--preview` 或 `avatar_auto_preview_required == true`：`generate_speech` with `provider: minimax-tts`、可选 `voice_id`、text 为 Hi, I'm your presenter. Let's explore this repo together. → `preview_audio_url`。
72. 然后 `generate_lipsync` with `provider: <resolved_lipsync_provider>`（默认 `pika`，honor `--lipsync-provider kling`）、`image: <avatar>`、`audio: preview_audio_url` → `preview_lipsync_url`（bare lipsync ~3s）；preview 与 Step9 使用同 provider。
73. 展示 verbatim 预览消息，包含 `preview_lipsync_url`、说明确认 avatar+voice 组合、全量渲染长耗时、回复 `yes` 继续或其他取消；匹配 `^(yes|go|proceed|confirm|y)$` 大小写不敏感；否则 STOP，不再 MCP 调用。
74. Step6 将 beat sheet 转 `capture_website` `timed_actions`；每 beat 一个 `timed_action`，`bbox_selector = beat.zoom_target.selector`；`capture_website` 内部捕获 post-action bbox（600ms settle → smooth-scroll-to `top - 60 px` → 1300ms post-anim → measure）。
75. navigate beats 发 `{type: navigate, at_s: <t_start>, url: <action.url>, bbox_selector: <zoom_target.selector>}`；scroll_to/hover beats 发 `{type: scroll, at_s: <t_start>, selector: <action.selector 或 zoom_target.selector>, bbox_selector: <zoom_target.selector>}`。
76. 不要 prepend intro scroll-through，因为 lipsync 音频从 `t=0`，prepend 会导致音视频偏移。
77. 调 `capture_website`：`url: <beat 0 action.url>`，`timed_actions: <N-element list>`，`duration_s: ceil(audio_duration_seconds)`。
78. Generic-URL additions：传 `extra_css: <cookie-banner-hiding CSS payload>`；为 SPA/lazy 页 prepend `{type: wait, at_s: 0.0, ms: 2500}`，普通页 1500ms；若 `cookie_banner_present`，prepend `{type: click, at_s: 0.5, selector: <detected dismissal selector>}`；beats 已 +1.5s，音频已 pad，无需再移；无 cookie 仅 wait。
79. 捕获 `video_url`、`recording_viewport`、`action_bboxes`；`action_bboxes[].idx` 是输入 `timed_actions` 位置；GitHub 模式 `idx` 1:1 beat，Generic 模式 `beat_idx = entry.idx - prepend_count`，prepend_count 1 或 2，跳过 `beat_idx < 0`；`selector` 字段报告 `bbox_selector`。
80. Generic bbox hit-rate：计算 `bbox_total_count`、`bbox_found_count`、`bbox_hit_rate`，用 Step8b 过滤 degenerate；若 `<0.70`，设 `bbox_warning` 为指定用户可见句子并带至 Step12。
81. Step7 `edit_browser_frame`：`video_url: <Step6 video_url>`，`url: (live_url if GitHub 且 survived Step2.5 else input_url, truncated to 65 chars)`，`tab_title: <30-char title>`；GitHub 用 `(meta.description or repo_name or 空)[:30]`；Generic 用页面 `<title>` 或 hostname truncated 30，防 None/empty；返回 `framed_url`（1280×800 Sonoma + chrome）。
82. Step8 常量：`INTRO_BEATS = 2`（跳过 beat index 0 和 1）、`HOLD_GAP = 0.6`、`MIN_BEAT_DUR = 1.5`、`SCALE = 1.35`、`FALLBACK_SCALE = 1.25`、`FALLBACK_RAMP = 0.4`；`edit_browser_frame` 内偏移 `CONTENT_X=56`、`CONTENT_Y=108`、`CONTENT_W=1168`、`CONTENT_H=637`。
83. Coord transform：`cx_framed = 56 + (bbox.x + bbox.w/2) * (1168 / recording_viewport.w)`；`cy_framed = 108 + (bbox.y + bbox.h/2) * (637 / recording_viewport.h)`。
84. Step8a 对每个非 intro 且足够长 beat 预填 default-position keyframes：`DEFAULT_CX = 56 + 1168 // 2`；`DEFAULT_CY = 108 + 637 // 3`；从 index `INTRO_BEATS` 开始；若 `t_end - t_start < MIN_BEAT_DUR` skip；interior interval `[t_start + HOLD_GAP, t_end - HOLD_GAP]` 若 <1.0s skip；否则 `zoom_keyframes_by_beat[beat_idx] = {cx: DEFAULT_CX, cy: DEFAULT_CY, scale: FALLBACK_SCALE, ramp_s: FALLBACK_RAMP, t_start/t_end trimmed}`。
85. Step8b 用 bbox override：GitHub `beat_idx = entry.idx`；Generic `beat_idx = entry.idx - prepend_count`；若 `beat_idx < INTRO_BEATS` skip；`entry.found` false skip；beat 不在 map skip；过滤 degenerate bbox：`bbox.y > recording_viewport.h` 或 `bbox.h > recording_viewport.h * 1.5` skip；计算 cx/cy 并 override `{cx: cx_framed, cy: cy_framed, scale: SCALE, ramp_s: min(0.5, (t_end - t_start) * 0.15)}`。
86. Final list：按 `t_start` 排序 `zoom_keyframes`；若 `len(zoom_keyframes) > 0`，调 `edit_animate_zoom` with `video_url: framed_url, zoom_keyframes` → `zoomed_url`；否则用 `framed_url` 作为 `zoomed_url`。
87. Step9 全量 lipsync：调 `generate_lipsync`，`provider: <resolved_lipsync_provider>` 默认 `pika`，honor `--lipsync-provider kling`；`image: <avatar>`；`audio: <Step4 audio_url>`；若 provider 为 `kling`，加 `mode: pro` 和 `prompt: talking head, face centered, mouth syncs to audio, minimal head movement, professional presenter`；pika 忽略这些。
88. Provider tradeoffs：`pika` 默认 ~2-5 min，头部运动略多但自然；`kling` opt-in ~5-30 min，最小头部运动、face-centered、presenter-style，高价值渲染用。
89. 若响应 `{task_id, status: queued}`，紧凑轮询 `task_status` 直到 terminal（`completed`/`failed`/`cancelled`）；completed 捕获 `lipsync_url`；failed/cancelled 切另一 provider。
90. Failover：`pika` 失败重试一次 `kling`；`kling` 超过 worker 1200s ceiling 时 fallback `pika`。
91. Pika 默认原因：速度，典型 wall-clock 从 ~10-15min 降到 ~5-7min；质量足够；Kling polish 在 246px 圆内多数不可见。
92. Face-coherence gate：捕获 `lipsync_url` 后 Step10 前，调 `extract_frame(video_url=<lipsync_url>, at_times=[1.0, audio_duration_seconds * 0.5, max(1.0, audio_duration_seconds - 1.0)])` 获 start/mid/end；batch 用 `frame_urls = extract_result.urls`，legacy `url` 作为 fallback；每个 frame_url 单独 `analyze_media(media=<frame_url>, query=<single_frame_gate_query>)`，不要传数组。
93. 单帧 gate query 返回 JSON 含 `face_integrity_score`、`is_coherent_human_face`、`has_visible_mouth`、`is_abstract_melting_mask_or_non_human`、`observation`、`recommended_action`。
94. 聚合：仅当最低 `face_integrity_score >= 75`、所有 `is_coherent_human_face == true`、所有 `has_visible_mouth == true`、所有 `is_abstract_melting_mask_or_non_human == false` 通过；保留 per-frame observations。
95. 若第一 provider fail，换另一 provider 重试一次并重跑 gate；两者都 fail，abort 并返回 gate observations，不进入 Step10；第二 provider pass 用其 `lipsync_url`。
96. Step10 PiP：`edit_pip` 参数 `main_video_url: <zoomed_url>`、`overlay_video_url: <lipsync_url>`、`shape: circle`、`size_px: 246`（240 inner + 3+3 stroke ring）、`stroke_width_px: 3`、`stroke_color: white`、`position_px: {x: 20, y: 476}`（`800 - 246 - 78` 为 dock clearance）。
97. 传 `size_px` 不传 `size`；返回 `final_url`。
98. Master-duration/audio-source contract：`edit_pip` 默认 `shortest=1`，composite 时长取 zoomed screen recording 与 lipsync video 较短者；Step6 `duration_s = ceil(audio_duration_seconds)` 确保屏幕长度与 lipsync 匹配；composite 时长由 lipsync 经 `shortest=1` 决定；音频来自 lipsync video 音轨；若 lipsync 短于屏幕（Kling 修剪尾部静音），屏幕在 lipsync 结束处截断，接受。
99. Step11 Burn captions：从最终 joined `vo_text` 构建 `caption_script_text`，应用 `proper_noun_glossary` 规范拼写；不要依赖自动转录品牌/模型名。
100. 选择 placement：默认 `position: bottom`；当 beat plan 或 captured page 显示重要 hero text/headline/value-prop/CTA/code 在下三分之一，用 `position: top`。
101. 调 `add_captions(video_url=<final_url>, style=classic, caption_mode: manual, subtitle_text=<caption_script_text>, position=<caption_position>)`；捕获 `captioned_url`；仅当用户传 `--no-captions` 跳过；默认 captions on；`/pika:podcast` 不 burn captions。
102. Step12：若 Step6 设了 `bbox_warning`，在最终 URL 前立即发出；然后输出 `captioned_url`（或跳过 Step11 则 `final_url`）一行：`Done: <url>`。
103. Post-flight quality gate：声明成功前，对 `captioned_url` 或 `final_url` 调 `analyze_media` 要结构化 verdict JSON；检查 captions 存在除非 `--no-captions`、zoom target/bbox 对 narrated UI、无 blank frames/white flash、avatar PiP 不覆盖重要内容、presenter face coherent、`proper_noun_glossary` 拼写正确、captions 不遮挡 hero text/headline/value-prop/CTA/code。
104. 根据 verdict：`clean` 正常发出；`degraded` 发 URL + `quality_warning`；`catastrophic` 不宣告完成，发 verdict + `re_roll_suggestion`。
105. Failure modes：OAuth/401 第一次 MCP 调用 → 停止并让用户重新认证 Pika MCP connector，auth 成功前不重试付费步骤。
106. `capture_website` blank frames/empty `action_bboxes`/blocked page → 用 WebFetch text fallback 事实，或请求粘贴源材料/更简单 URL。
107. TTS/lipsync transient 5xx/429 → 按 hinted backoff 重试同一调用一次；再失败停止并给 provider error + last checkpoint。
108. Caption/final QA unreadable proper nouns、occlusion、blank frames、incoherent avatar → 返回 `not publish-ready` + QA JSON + 具体 reroll suggestion；不要宣告成功。
109. Load-bearing phrases：保持 `vanilla CSS that resolves via document.querySelector`、`GitHub URLs activate repo-aware mode`、`8-10 beats`/`65-80 seconds`/`165-200 words`、`all beats[] mutations happen here`、`extra_css` cookie-banner hiding payload。
110. Engine choice：默认 Pika/parrot lipsync 以保持短迭代；仅用户显式 `--lipsync-provider kling` 或高价值渲染需更居中 presenter 且能容忍长耗时时用 Kling；screen capture、browser frame、zoom、PiP、captions 仍为确定性 edit/composite。
111. Runtime expectations：典型 5-10 min Pika 或 10-30+ min Kling；URL read+pre-flight 10-60s；TTS+audio rescale 30-90s；screen recording 60-180s；browser frame+zooms 1-3 min；lipsync 2-5 min Pika / 5-30 min Kling；PiP+captions 1-3 min（`--no-captions` 则跳过）。
112. Known gaps 应对：Kling avatar mode/prompt 已可用，用 `--lipsync-provider kling` 加 `mode: pro` 和 prompt；无 caller-controlled white-frame trim，用 `wait` action 缓解；无 `networkidle` wait，SPA blob 页可能 bbox 未挂载；无 per-step output-size verification gates；`text_content` bbox 未实现，优先 CSS selectors；beat-sheet wording 非确定性，视觉 kind 是契约；Generic-URL 大牌企业站点可能 bot 检测、混淆类名、滚动动画不触发、懒加载图未解析，优先简单营销页并传 `--focus`，必要时服务端 PR；cookie-banner click 单次，`extra_css` 是主要防御。

适用边界 · 注意事项

• 需要 Pika MCP connector、付费 credits、MiniMax/Kling/Pika lipsync 等服务；无 OAuth/账号或无法通过 cost gate 时不适用。
• 目标站点有强 bot 检测、captcha、登录门禁、Cloudflare challenge，或大牌企业站点 headless 渲染失败、滚动动画/懒加载导致 bbox 缺失时不适用或需换更简单页面。
• 需要像素级可复现、确定性的 vo_text/zoom 位置，或音频超过 90 秒/Kling 长耗时不可接受时，不适合直接套用此流程。