AI Agent Skill实现播客到小红书图文自动创作：工作流拆解与开源实践

1. 项目缘起：当播客创作者遇上小红书

如果你和我一样，既是一个播客节目的创作者，又是一个在小红书上分享干货的博主，那你一定体会过这种“分裂感”。在录音棚里，我可能对着麦克风滔滔不绝地聊了四十分钟关于“如何打造个人知识体系”的深度内容，录完音、剪辑好、上传到各大音频平台，感觉完成了一件大事。但紧接着，我就得面对一个更头疼的问题：怎么把这一小时的精华，变成小红书上一篇能吸引人、有传播力的图文笔记？

这个过程，我称之为“内容形态的翻译”。它不是简单的复制粘贴。播客是线性的、听觉的、沉浸式的；小红书笔记是视觉的、碎片化的、强冲击力的。你需要从音频流里捞出金句，配上吸引眼球的封面，写成有网感的标题和正文，还得考虑话题标签。手动操作，一集播客折腾出一篇像样的笔记，少说也得半小时到一小时。当更新频率上来，这简直是个体力活，严重挤压了内容创作本身的时间。

所以，大概半年前，我开始琢磨：能不能让 AI 来干这个“翻译”的活儿？不是那种简单的语音转文字，而是真正理解内容、提取观点、并按照小红书的“爆款公式”进行重构。我想要的不是一个工具，而是一个能自动执行完整工作流的“智能体”（Agent）。这就是“播客转小红书帖子”这个 Agent Skill诞生的起点。经过几个月的开发、测试和迭代，我觉得它已经足够好用，能够解放很多像我一样的创作者，于是决定把它开源出来。

简单来说，这个 Skill 是一个可以集成到各类 AI Agent 框架（比如扣子、Dify、LangChain 等）中的功能模块。你给它一个播客音频文件（或链接），它就能自动完成“语音转文字 -> 内容总结提炼 -> 生成小红书风格图文文案 -> 建议配图风格”的全流程，最终输出一篇几乎可以直接发布的小红书帖子草稿。

2. 核心逻辑拆解：一个 Skill 如何完成“跨模态创作”

很多人会问，这不就是个语音转文字加个文案生成吗？市面上很多工具都能做。但一个真正能用的 Agent Skill，关键在于对工作流的精细拆解和对特定平台（小红书）的内容规律的深度内化。它不是一个单点功能，而是一个有逻辑、可判断、能应对异常的处理管道。

2.1 工作流全景：从音频到图文帖子的六步流水线

整个 Skill 的执行，我把它设计成了一个环环相扣的流水线，任何一步的失败或低质量输出，都会影响最终结果。

第一步：音频获取与预处理输入可以是一个本地 MP3/WAV 文件，也可以是一个播客节目的在线播放链接（支持主流平台）。Skill 首先会尝试抓取音频流。这里第一个坑就是网络环境与反爬。直接请求可能会被拒，所以需要模拟正常的浏览器请求头，并处理可能的跳转。对于本地文件，则直接进行格式校验和加载。预处理环节还包括简单的音频质量检查，比如音量是否过低、背景噪音是否过大，这些虽然不影响转写，但会影响后续提取“金句”时的听感判断（如果涉及回听）。

第二步：高精度语音转文字（ASR）这是所有后续工作的基石，准确率必须高。我测试过多个开源和商业的 ASR 模型，最终选择了一个在中文普通话、尤其是带有一定口语化和闲聊风格的播客内容上表现最好的模型。这里的关键不是盲目追求最高准确率，而是在准确率、速度、成本以及对标点符号和语气词的处理上找到平衡。一个优秀的 ASR 应该能正确区分陈述句和疑问句，合理断句，这对后续的摘要提取至关重要。我并没有内置模型，而是设计了一个适配层，允许使用者灵活配置他们自己的 ASR 服务 API（如讯飞、百度、OpenAI Whisper 等），Skill 只定义输入输出接口。

第三步：内容结构化与摘要提取拿到完整的文字稿后，Skill 的工作才真正开始。它需要理解这堆文字。这里我用到了两个层次的 NLP 处理：

  1. 章节划分与主题识别：通过分析文本中的转折词（“接下来我们聊聊”、“另一方面”）、停顿和语义密度，尝试将长达一小时的文字稿自动划分成几个核心段落或话题章节。这相当于给内容建立一个粗粒度的目录。
  2. 核心观点与金句抽取：这是精华所在。Skill 会使用文本摘要和关键句提取算法，从每个章节中找出最具代表性的观点句、结论句，或者那些特别精辟、容易引发共鸣的“金句”。这里有一个重要的策略：不只找高频词，更关注句子的“惊异值”和“传播潜力”。一句看似平淡但承上启下的总结句，可能比一个反复提及的技术名词更重要。

第四步：小红书文案风格化生成这是最具“魔法”的一步，也是这个 Skill 价值的核心。将提取出的核心观点和金句，转化为小红书用户爱看的形式。我深入分析了上百篇不同领域的爆款笔记，总结出几个关键模式，并固化到提示词（Prompt）工程中：

  • 标题公式：数字聚焦+痛点/收益+人群标签。例如，从播客中提取出“三个普通人也能上手的知识管理工具”，会被润色成“🔥告别信息混乱！3个超简单工具，让你效率翻倍｜学生党职场人必看”。
  • 正文结构：采用“吸睛开头+痛点引入+方法分点（用emoji或小标题）+金句强调+互动结尾”的经典结构。Skill 会将摘要中的不同观点，自然地填充到这个结构里。
  • 语言网感化：自动添加合适的表情符号（🔥、📚、💡等），使用“真的绝了”、“亲测有效”、“懒人必备”等平台高频词汇，但会控制频率避免过度油腻。
  • 话题标签（Hashtag）建议：根据内容主题，自动生成相关度高的热门标签和长尾标签组合，如#个人成长#效率工具#播客推荐。

第五步：配图风格与文案建议“小紅書”之所以叫“小红书”，图片至关重要。虽然当前版本的 Skill 不直接生成图片（涉及版权和生成质量稳定性问题），但它会基于内容，输出详细的配图风格建议。例如，如果播客聊的是“极简主义”，它会建议使用“干净、留白、低饱和度”的图片风格；如果是“创业干货”，则会建议“商务、图表、咖啡厅工作场景”等。它甚至可以给出具体的场景描述，方便用户用 Midjourney、Stable Diffusion 或直接去图库搜索。

第六步：结果组装与输出将生成的标题、正文、话题标签、配图建议，整合成一个结构化的 JSON 或 Markdown 格式的输出。同时，附上处理过程的元数据，如音频时长、处理耗时、内容置信度等，方便后续审核或调整。

2.2 Agent Skill 与普通脚本/工具的核心区别

这也是很多朋友问的，用 Python 写个脚本也能实现类似流程，为什么要做成 Agent Skill？

  1. 标准化接口与可集成性：Skill 遵循了像 OpenAI 的 Function Calling 或 Claude 的 Tool Use 这样的标准接口规范。这意味着它可以像插件一样，被轻松集成到任何一个支持该规范的 AI Agent 平台或聊天界面中。用户不需要知道背后的代码，只需要用自然语言说“帮我把这个播客变成小红书帖子”，Agent 就能调用这个 Skill。
  2. 上下文感知与条件逻辑：一个简单的脚本通常是线性的。而 Skill 可以更智能。例如，如果 ASR 步骤返回的置信度很低，Skill 可以触发一个“人工校验”的异常处理分支，或者尝试换一个ASR服务。在生成文案时，它可以基于对之前对话历史的理解（比如用户说过“我的账号是穿搭类”），来调整文案的风格倾向。
  3. 专注于单一能力：Skill 的设计哲学是“小而美”，它只做好“播客转小红书帖子”这一件事，并把这件事做到极致。这使得它可以被灵活地组合到更复杂的 Agent 工作流中，比如一个“全平台内容分发Agent”可以依次调用“播客转文案Skill”、“文案润色Skill”、“多平台发布Skill”。

注意：Skill 和完整的 Agent 是部分与整体的关系。你可以把 Skill 理解为 Agent 工具箱里的一把专用螺丝刀，而 Agent 是拥有决策能力、可以使用多把工具（螺丝刀、扳手、锤子）的工程师。

3. 技术栈选型与关键实现细节

开源一个项目，除了想法，代码的工程实现同样重要。我选择的技术栈力求在效果、效率和易用性之间取得平衡，并且所有组件都尽量采用主流、有良好维护的开源方案。

3.1 核心服务层：模块化与可替换性

整个 Skill 的后端采用微服务的思想设计，每个核心步骤都是一个独立的模块，通过清晰的接口通信。

  • ASR 模块：如前所述，本项目不捆绑特定 ASR 引擎。我定义了一个统一的ASRClient抽象类，目前提供了对OpenAI Whisper API和FunASR（阿里达摩院开源）的适配实现。Whisper 准确度高，尤其是对英文混杂的处理好，但需要网络且有成本；FunASR 可以本地部署，性价比高，对中文优化好。使用者可以通过配置文件轻松切换。关键代码在于对音频分块、处理超长音频以及处理返回结果中时间戳（这对后续定位“金句”在音频中的位置很有用）的逻辑。
  • NLP 处理模块：这是算法的核心。我没有从头训练模型，而是巧妙地利用了现有的大语言模型（LLM）的推理能力。
    • 章节划分：我尝试了基于 TextTiling 等传统算法和基于 LLM 的两种方法。实测发现，对于播客这种松散结构，直接给 LLM 全文并提示“请将以下文稿按内容主题划分为几个逻辑段落，并给出每个段落的标题”，效果更接近人类理解。我选用的是Qwen 系列开源模型（如 Qwen2.5-7B），在消费级显卡上即可运行，效果和成本平衡得很好。
    • 摘要与金句提取：同样依赖 LLM。这里的 Prompt 工程非常关键。我设计的 Prompt 不仅要求总结，还特别强调：“请找出最可能在小红书这类社交平台引发传播的 3-5 个句子，这些句子应观点鲜明、表达生动、易于记忆。” 这相当于让 LLM 同时担任内容编辑和运营的角色。
  • 文案生成模块：毫无疑问，这是 LLM 的主场。但直接用 LLM 生成，容易风格不稳定。我的做法是构建一个“风格模板库”。根据播客内容类型（知识干货、生活分享、情感讨论、科技评测等），匹配不同的预设模板。生成时，LLM 的任务是将提取出的核心观点，像填空一样，精准、流畅地填入模板，并进行局部润色。这保证了输出风格始终符合平台调性，且质量稳定。这里我主要使用DeepSeek-V3或GLM-4的 API，它们在中文创意写作上表现优异。

3.2 工程架构：让 Skill 易于被调用

作为一个 Skill，除了内部逻辑，如何被外部 Agent 调用同样重要。我采用了目前最通用的方式：提供标准的 HTTP API 和 OpenAI-Compatible 的 Function Calling 描述。

  • HTTP API：提供一个简单的POST /generate端点，接收audio_url或audio_file，返回结构化的帖子数据。这方便任何后端服务集成。
  • Function Calling 描述：这是让 Skill 融入 AI Agent 世界的关键。我编写了一个详细的skill_manifest.json文件，其中明确定义了这个 Skill 的名称、描述、输入参数（音频来源、目标账号风格倾向等）、输出格式。这样，当用户在扣子、LangChain 或自己搭建的 Agent 中安装此 Skill 后，Agent 就能自动理解在什么情况下该调用它，以及如何传递参数。
  • 配置化管理：所有模型 API 的密钥、服务端点、风格模板、处理参数（如摘要长度、金句数量）都通过配置文件管理，无需修改代码即可适配不同环境。

3.3 性能优化与错误处理

处理一小时音频，如果串行执行 ASR -> NLP -> 生成，耗时可能很长。为了提升体验，我做了以下优化：

  • 异步流水线：将流程设计为异步任务。ASR 完成后立即开始转写，而不必等整个音频下载完。转写出一部分文字后，就可以流式地送给 LLM 进行初步分析，实现“边听边处理”。
  • 缓存机制：对相同的音频 URL，处理结果会被缓存。下次同一请求直接返回，节省资源和时间。
  • 全面的错误处理：网络超时、ASR 服务不可用、LLM 生成内容不合规、音频格式不支持……每一个环节都有对应的异常捕获和友好错误信息返回，并尽可能提供恢复建议（如“请检查音频链接是否有效”或“请尝试上传本地文件”）。

4. 实战：从安装到生成你的第一篇帖子

理论说了这么多，我们来点实际的。假设你已经在使用一个支持自定义 Skill 的 AI Agent 平台（例如百度的“扣子”），如何将这个播客 Skill 用起来？

4.1 环境准备与部署

对于个人开发者或小团队，最快捷的方式是使用我提供的Docker 镜像。

# 1. 克隆代码仓库（项目开源链接请见文末） git clone https://github.com/your-repo/podcast-to-xiaohongshu-skill.git cd podcast-to-xiaohongshu-skill # 2. 复制并配置环境变量文件 cp .env.example .env # 编辑 .env 文件，填入你的 OpenAI API Key、DeepSeek API Key 等 # 你可以注释掉不用的服务，比如如果只用 FunASR，就不必配 OpenAI # 3. 使用 Docker Compose 一键启动 docker-compose up -d

服务启动后，会运行在http://localhost:8000。你可以在浏览器访问http://localhost:8000/docs看到自动生成的 API 文档，进行测试。

4.2 在 AI Agent 平台中集成

以“扣子”为例，其支持导入自定义技能。

  1. 在扣子的技能创建页面，选择“通过 API 接入”。
  2. 在“技能描述”中，粘贴我提供的skill_manifest.json中的内容。这会让扣子理解这个技能的功能。
  3. 在“API 配置”中，填写你部署好的服务地址，例如http://your-server-ip:8000/generate。
  4. 保存后，这个技能就会出现在你的技能列表中。

现在，你可以在和扣子的对话中直接使用了。例如，你可以说：“帮我分析一下这个播客‘三五环’最新一期关于远程工作的内容，并做成小红书帖子。” 扣子会识别你的意图，自动调用这个 Skill，并将播客链接作为参数传递过去。

4.3 使用效果与调优

生成的第一篇帖子可能不会完全让你满意，这很正常。因为文案风格涉及主观审美。这时，Skill 的可配置性就派上用场了。

  • 调整风格模板：如果你觉得生成的文案太“爆款体”，有点浮夸，你可以修改配置文件中的风格模板。比如，增加“语言风格：偏理性、温和、有深度”的指令。Skill 提供了几个默认模板（“活泼爆款体”、“温和干货体”、“情感共鸣体”），你可以直接选用或微调。
  • 控制输出细节：你可以通过参数指定：“标题不要带表情符号”、“正文分点不要超过4条”、“多推荐一些冷门但精准的长尾标签”。这些参数都可以在调用 API 时传入，或者在 Agent 平台里设置为技能的高级参数。
  • 人工润色环节：务必记住，这个 Skill 的定位是“高级草稿生成器”。它负责完成从0到1的、最耗时的那部分工作——听写、提炼、搭建框架。但最终的“灵魂”，比如那个最戳人的标题、那张最配的封面图，仍然需要你这位创作者来把关和微调。我的工作流通常是：Skill 生成草稿 -> 我花5分钟快速浏览并修改标题和开头句 -> 配上自己制作的图片 -> 发布。这比从零开始创作，节省了超过80%的时间。

5. 避坑指南：我趟过的那些雷

在开发这个 Skill 的过程中，我踩过不少坑，这里分享出来，希望能帮你节省时间。

坑一：ASR 转写标点混乱，影响摘要质量早期使用某个开源 ASR，转写出来的文字全是逗号，没有句号和问号。这导致 LLM 在划分章节和提取金句时完全错乱。解决方案：要么换用标点预测能力强的 ASR 服务（如 Whisper），要么在 ASR 后增加一个“标点修复”的后处理步骤，用一个轻量级模型专门处理这个问题。

坑二：LLM 摘要偏离重点，沉迷于细节播客开头常有寒暄和广告，如果直接把全文扔给 LLM 做摘要，它可能会把“感谢某某赞助商”也当成重点摘要出来。解决方案：在 Prompt 中必须加入强引导。例如：“请忽略开头的寒暄、广告推广和结束语，专注于主持人及嘉宾讨论的实质性内容。” 或者，更工程化的做法是，先用规则或简单模型切掉头尾的固定部分。

坑三：生成文案的“平台感”过强，显得虚假如果过度依赖“爆款公式”，容易生成千篇一律、充满套路感的文案，用户一眼就能看出是 AI 写的，反而没有信任感。解决方案：平衡“公式”与“真实”。在风格模板中，加入“适当保留播客主持人的个人口吻或特色用语”、“在分点论述中插入一句真实的感受或例子”这样的指令。让 AI 模仿的是平台上的“优秀真人”，而不是“平台套路本身”。

坑四：长音频处理超时或内存溢出处理两小时以上的超长播客，很容易导致 API 调用超时或本地 LLM 内存不足。解决方案：采用“化整为零，分而治之”的策略。先将长音频按静音检测或固定时长（如30分钟）切分成段，分别处理每一段的摘要和金句，最后再用一个“总结性”的 LLM 调用，将所有段落的精华汇总成一篇统一的帖子。这增加了复杂度，但保证了稳定性。

坑五：版权与隐私风险这个 Skill 需要处理用户的音频内容，可能涉及隐私。如果用户输入的是非公开播客链接，更需谨慎。解决方案：

  1. 在项目 README 和使用界面明确声明：本工具处理音频数据，请确保你拥有该音频的版权或使用权。
  2. 实现数据处理选项：提供“是否保留处理过程中的中间文本数据”的选项，默认不保留，处理完即删除。
  3. 考虑支持完全本地化部署方案，让所有数据（音频、文本）都在用户自己的机器上流转，不经过任何第三方服务器。

6. 开源的意义与未来可能的演进

我决定开源这个项目，是相信“工具应当普惠”。内容创作的瓶颈不应该卡在繁琐的格式转换上。我希望这个 Skill 能成为一个基石，激发更多可能性。

  • 对个人创作者：它直接提升了从音频到图文内容的转化效率，让你能更专注于创作本身。
  • 对播客制作团队：它可以作为内容分发的自动化一环，一键生成播客的图文预告、精华片段、节目笔记，同步到小红书、公众号、知乎等多个平台。
  • 对开发者社区：我提供了完整的、可运行的代码和设计思路。你可以基于它，轻松地修改来适配其他平台，比如“播客转知乎回答”、“播客转公众号文章”、“视频转小红书帖子”（只需将 ASR 模块换成视频抽帧+OCR/语音识别）。它的架构是通用的。

关于未来，我脑子里有一些演进方向，也欢迎社区一起贡献：

  1. 多平台适配：目前深度优化了小红书，未来可以内置更多平台的风格模板，如抖音文案、B站动态、微博头条文章等。
  2. 多模态输入：不仅支持音频，也支持直接输入视频文件，自动提取字幕和关键画面作为配图建议。
  3. 个性化学习：让 Skill 能够学习某个特定博主的文案风格。通过输入该博主过去的爆款笔记，微调生成模型，使输出文案无限接近其个人风格。
  4. 工作流串联：与图生图模型 API 结合，在给出配图建议后，直接调用 Stable Diffusion 等模型生成若干张备选封面图，真正实现“端到端”的草稿生成。

这个项目就像我抛出去的一块砖，它解决了我自己的真实痛点。我相信，在开源社区的力量下，这块砖能引出来自更多创作者的玉，共同打造出更好用、更智能的内容创作辅助工具。所有的代码、文档和部署说明都已经在 GitHub 上，搜索“podcast-to-xiaohongshu-agent-skill”应该就能找到。如果你用了觉得有帮助，或者有改进的想法，欢迎给我点个 Star，或者提交 Issue 和 Pull Request。让我们用技术，让创作变得更简单、更有趣。