Check Video

失败处理（核心规则）

sub-agent task 失败后，永远不要在主 session 自己接管本应由 sub-agent 做的工作。

正确做法：

1. 分析失败原因（task return 值 / 错误信息）
2. 如可修复：用修正后的参数重新派发同一 sub-agent
3. 如不可修复：将失败原因和已尝试方案返回给用户，停止流程

错误做法：

• ❌ "sub-agent 失败了，我自己来写这个 novel.md"
• ❌ "task 报错了，我在主 session 直接调用 Write"
• ❌ "我 fallback 一下，自己生成 keyframes.json"

原因：主 session 缺少 sub-agent 的隔离上下文（专属 system prompt、skill 加载、permission 配置），自己接管会导致质量下降、跨步骤上下文污染、permission 错配等问题。即使 sub-agent 失败，工作所有权也必须留在 sub-agent 层。

使用示例

/check-video ep01              # 交互模式，失败任务询问用户
/check-video ep01 --auto       # 自动模式，只处理可自动重试的失败，跳过需人工介入的
/check-video all --auto        # 自动模式，检查所有集

模式

• 交互模式（默认）：失败任务分为可自动重试和需人工介入两类，人工介入的会询问用户
• 自动模式（--auto）：只处理可自动重试的失败任务，需人工介入的仅输出提示，不询问用户。由 auto-video 定时调用

约束

• 严禁自行编写脚本（包括 Python、Node.js、内联 bash 脚本等）。只能调用插件内 scripts/ 目录下的现有脚本。
• tasks.json 的读取和写入由你（LLM）直接完成：用 Read 工具读取，用 Write 工具写入。不要用脚本操作 tasks.json。
• 调用插件脚本时，如果相对路径 scripts/xxx.sh 找不到，使用 Glob 工具搜索 **/scripts/xxx.sh 找到插件目录下的脚本绝对路径。
• 本 skill 仅在两条路径调用 dreamina 提交：(a) 阶段 5a 自动重试 —— failed 且分类为可自动重试，使用 tasks.json 原 prompt/images 重提，不得修改；(b) 阶段 5b 交互重试 —— 用户明确给出修改意见 → 调 fix-storyboard/fix-asset 改 storyboard → 重跑 storyboard-to-prompt.sh → 新 prompt 写入 tasks.json → 用新 prompt 重提。其他任何场景（测试、验证、调试、未登记 shot、已 submitted/done 的 shot）一律禁止提交。

tasks.json 格式

文件路径：story/episodes/{集数}/videos/tasks.json

每条记录包含以下字段：

| 字段 | 类型 | 说明 | |------|------|------| | shot | number | 镜头编号（主键，从 1 开始） | | submitid | string | dreamina 返回的任务 ID（未提交时为 ""） | | status | string | pending（已登记未提交）/ submitted（等待结果）/ done（视频已下载）/ failed（生成失败） | | prompt | string | 提交时使用的完整 prompt 文本 | | images | string | 逗号分隔的参考图片路径列表 | | duration | number | 视频时长（秒） | | failreason | string | 失败原因（成功时为 ""） |

完整示例（含所有 status）：

[
  {"shot": 1, "submit_id": "0a7fdfa1711442ee", "status": "done", "prompt": "### 镜头 1\n- **镜头类型：** 特写\n...", "images": "assets/images/characters/林知意.png,assets/images/locations/郊外泥地.png", "duration": 15, "fail_reason": ""},
  {"shot": 2, "submit_id": "ba99c56731e2bf2a", "status": "submitted", "prompt": "### 镜头 2\n- **镜头类型：** 中景\n...", "images": "assets/images/characters/林知意.png", "duration": 15, "fail_reason": ""},
  {"shot": 3, "submit_id": "", "status": "failed", "prompt": "### 镜头 3\n...", "images": "assets/images/characters/林知意.png", "duration": 15, "fail_reason": "ExceedConcurrencyLimit"}
]

写入规则：

• 每个 shot 编号只能有一条记录，更新时替换已有条目
• 写入完整 JSON 数组，不要追加或部分修改
• 必须用 Read 读取最新内容后再修改，避免覆盖其他 shot 的变更

流程

阶段 1: 读取任务状态

1. 从 $ARGUMENTS 中解析集数（如 ep01 或 all）和模式（是否有 --auto）
2. 若为 all → 使用 Glob 扫描 story/episodes/*/videos/tasks.json；否则读取指定集的 tasks.json
3. 若文件不存在（或 all 模式下 Glob 无匹配）：

• 交互模式：提示"未找到视频生成任务，请先使用 /generate-video {集数} 提交任务"，结束
• --auto 模式：按"异常时的 JSON 输出"章节要求输出 JSON 摘要（recoverable=false，error 描述文件缺失），然后结束。不要仅输出人类可读的提示而跳过 JSON

1. 使用 Read 工具读取 tasks.json，解析 JSON 内容

阶段 2: 逐个查询 submitted 任务

若 tasks.json 中存在 status 为 pending 的记录 → 输出一行提示："检测到 {N} 个 shot 为 pending 状态（已登记未提交）。请运行 /generate-video {集数} 完成提交。本 skill 仅处理 submitted/done/failed。" → 继续处理其他状态的 shot。

对每个 status 为 submitted 且 submit_id 非空的任务：

1. 查询状态：bash scripts/video-check-dreamina.sh "{submit_id}" "story/episodes/{集数}/videos/shot{NN}.mp4"
2. 根据输出更新 tasks.json 中该 shot 的记录（用 Read 读取最新内容，修改后用 Write 写回）：

• success → 将 status 改为 done
• fail:{原因} → 将 status 改为 failed，将 fail_reason 改为 {原因}
• querying → 不修改，仍为 submitted

--auto 模式异常处理： 若 scripts/video-check-dreamina.sh 返回非预期输出或非零退出码，按"JSON 摘要契约 → 异常时的 JSON 输出"章节规则处理——记录 error（说明哪个 shot 查询失败），继续处理其他 shot，最终输出时标记 recoverable=true。不要因单个 shot 查询失败就跳出整个流程。

阶段 3: 同步已有视频文件

1. 使用 Bash ls story/episodes/{集数}/videos/shot*.mp4 列出已有视频文件
2. 对比 tasks.json，如果某个 shot 有视频文件但 status 不是 done → 将 status 改为 done
3. 如果某个 shot 有视频文件但不在 tasks.json 中 → 添加一条 done 记录

阶段 4: 输出进度摘要

1. 统计各状态数量：pending / done / submitted / failed（all 模式下跨所有集合计）
2. 输出人类可读摘要：已登记未提交 N 个 / 完成 N 个 / 排队中 N 个 / 失败 N 个

--auto 模式额外要求：在本 skill 所有输出的最后一行追加一行 JSON 摘要，供自动化调用方（如 auto-video 的 sub-agent）解析。字段与填充规则见下方"JSON 摘要契约"章节。human_needed 列表在阶段 5 收集完毕后并入本 JSON。

交互模式（非 --auto）不输出 JSON，保持现状。

阶段 5: 失败处理（仅当有 failed 任务时）

对每个 status 为 failed 的任务，按 skills/check-video/failure-classification.md 中的规则分类为"可自动重试"或"需人工介入"。每次失败都重新分类（同一镜头多次失败原因可能不同）。

a. 可自动重试的任务：

1. 告知用户该镜头因临时原因失败，正在自动重试
2. 从 tasks.json 中读取该 shot 的 prompt、images、duration
3. 读取配置：bash scripts/read-config.sh "即梦视频模型版本" 和 bash scripts/read-config.sh "视频比例"
4. 重新提交：bash scripts/video-gen-dreamina.sh "{prompt}" "story/episodes/{集数}/videos/shot{NN}.mp4" "{images}" "{duration}" "{比例}" "{模型版本}"
5. 根据提交结果，用 Read 读取 tasks.json 最新内容，修改该 shot 的记录后用 Write 写回：

• 成功 → 更新 submitid、status 改为 submitted、清空 failreason
• 失败 → status 保持 failed、更新 fail_reason

1. 若提交失败且仍为并行限制 → 停止重试剩余任务，提示用户稍后再试

b. 需人工介入的任务：

自动模式（--auto）：

1. 不询问用户
2. 将该 shot 加入 human_needed 列表：{"ep": "{集数}", "shot": {镜头编号}, "reason": "{fail_reason 原文}"}
3. 该列表在阶段 5 全部 failed 任务分类完成后，并入阶段 4 要输出的 JSON 摘要的 human_needed 字段
4. 输出人类可读提示：失败镜头和原因，提示用户可用 /check-video {集数} 手动处理

交互模式（默认）：

1. 显示镜头编号和 fail_reason 原文
2. 询问用户："镜头 {N} 生成失败，原因：{fail_reason}。您有修改建议吗？（输入建议，或回复「自动修复」交给我判断）"
3. 用户有建议 → 根据建议内容判断目标类型并调用相应 skill：

• 涉及分镜/画面描述修改 → 检查是否存在 story/episodes/{集数}/script.md（短视频，使用 Skill tool 调用 short-fix-storyboard skill）或 story/episodes/{集数}/novel.md（系列视频，使用 Skill tool 调用 storyboarder-fix-storyboard skill）
• 涉及资产/图片修改 → 使用 Bash 调用 bash scripts/read-config.sh "图像模型" 获取图像模型值，使用 Skill tool 调用 creator-fix-asset skill + 使用 Skill tool 调用 creator-image-{图像模型值} skill

1. 用户选择自动修复 → 自行分析 fail_reason，判断最可能的原因并调用相应 skill
2. 重新生成 prompt：bash scripts/storyboard-to-prompt.sh "story/episodes/{集数}/storyboard.md" {镜头编号}
3. 读取配置：bash scripts/read-config.sh "即梦视频模型版本" 和 bash scripts/read-config.sh "视频比例"
4. 重新提交：bash scripts/video-gen-dreamina.sh "{新prompt}" "story/episodes/{集数}/videos/shot{NN}.mp4" "{images}" "{duration}" "{比例}" "{模型版本}"
5. 用 Read 读取 tasks.json，更新该 shot 记录（新 submit_id、status、prompt），用 Write 写回
6. 提示用户稍后再次使用 /check-video {集数} 查询

JSON 摘要契约（仅 --auto 模式）

正常 JSON 格式

{
  "target": "ep01",
  "pending": 0,
  "done": 12,
  "submitted": 3,
  "failed": 2,
  "all_complete": false,
  "human_needed": [
    {"ep": "ep01", "shot": 5, "reason": "内容安全拦截"},
    {"ep": "ep01", "shot": 9, "reason": "参数错误"}
  ]
}

字段

| 字段 | 类型 | 说明 | |------|------|------| | target | string | 原样回传（epNN 或 all） | | pending | number \| "unknown" | 已登记未提交的数量（需用户运行 /generate-video 完成提交） | | done | number \| "unknown" | done 数量，all 模式下跨所有集合计 | | submitted | number \| "unknown" | 仍在排队的数量 | | failed | number \| "unknown" | 最终仍 failed（含需人工介入类） | | allcomplete | bool | (pending == 0) && (submitted == 0) && (failed == human_needed.length) | | humanneeded | array | 阶段 5 分类为"需人工介入"的 failed；每条 {"ep": "...", "shot": N, "reason": "fail_reason 原文"} | | error | string | 仅异常时；简短错误描述（≤100 字） | | recoverable | bool | 仅异常时；错误性质（见"异常时的 JSON 输出"） |

规则

• 数值字段无法统计时填字符串 "unknown"（不要填 0）
• 异常场景下 all_complete 强制为 false
• human_needed 在阶段 5 --auto 分支完成分类后填充
• JSON 必须是单行有效 JSON（无注释、无多余换行），作为 skill 输出的最后一行
• all_complete 仅当 pending/done/submitted/failed 均为数字时才按公式计算；任一字段为 "unknown" 时强制 false

异常时的 JSON 输出（仅 --auto 模式）

skill 在 --auto 模式下遇到任何异常（文件不存在、Glob 无匹配、tasks.json 格式损坏、脚本偶发失败等），仍必须输出 JSON 摘要，字段：

• target：原样
• pending / done / submitted / failed：已统计到的填数字，完全无法统计的填字符串 "unknown"
• all_complete：false（强制）
• human_needed：[]
• error：简短错误描述（≤100 字，不要 dump 堆栈）
• recoverable：bool。按错误性质判断：
• 可恢复（临时性、外部环境性）：某个 shot 查询脚本偶发失败、临时文件锁、dreamina API 抖动等；后续调用有机会成功
• 不可恢复（根因性、配置性）：目标集数对应 tasks.json 不存在、Glob 无匹配（all 模式下没有任何 ep 目录）、tasks.json 格式彻底损坏需人工修复；后续调用仍会同样失败

判定原则： LLM 按语义判断，不硬编码关键词。不确定时偏向 recoverable=true（保守）。

示例（tasks.json 不存在）：

{"target":"ep99","pending":"unknown","done":"unknown","submitted":"unknown","failed":"unknown","all_complete":false,"human_needed":[],"error":"tasks.json 不存在：story/episodes/ep99/videos/tasks.json","recoverable":false}

示例（某 shot 查询脚本偶发失败，但其他 shot 已统计）：

{"target":"ep01","pending":0,"done":10,"submitted":2,"failed":1,"all_complete":false,"human_needed":[],"error":"shot 3 查询脚本返回非预期输出","recoverable":true}

不得因异常跳过 JSON 输出——自动化调用方依赖它判断 cron 生命周期。

输出

返回内容

• 进度摘要 + 失败处理结果

Source & license

This open-source skill is cataloged on AgentStack and links to its original source — we do not rehost the code.

• Author: wddxh
• Source: wddxh/ShortVideoDirector
• License: MIT

Install and usage instructions live in the source repository linked above.