懒人一个月在 B 站出了 60 多部讲解片，怎么做的？

来由

从 2026 年 9 月 25 日到 10 月 24 日这 30 天，我在 B 站「王树义老师」这个账号上投稿了 70 部视频，其中 66 部是用 AI Skill 端到端做的。作为对比：今年 1 月 1 日到 9 月 24 日，我这个账号一共只投稿了 29 个视频。

将近九个月才投了 29 个，固然 有上半年参加教创赛的原因。但更重要的原因是，视频制作原本就是个消耗时间精力的事情。

众所周知，我是个懒人。做一部讲解片，原本要会写稿、会找图、会做动画、会配音、会剪辑……哪一样我都嫌麻烦。现在我只说一句想讲什么，中间的活儿交给 Claude Code，我负责看片、提意见，让 Claude Code 自己去修改，改好了就能发布。

前面说的 Skill，就是交给 AI 助手的一套做片流程，Claude Code 按这套流程干活。

这其中光是「趣味数学史」一个合集，就已经有 20 多部了。你看合集页上这一排：

数量还只是一方面。我从最近做的片子里挑了十几个片段，拼成下面这段混剪，只有画面，没有声音。你可以留意画面的种类：相声史里的 3D 小舞台，日本战国史里的屏风古画，讲大语言模型时直接放上屏幕的论文页，还有猫狗大战里那个 3D 小客厅。

看完你大概会有个疑问：一部片子里，一会儿是真实的照片、古画、论文页，一会儿是 3D 场景，一会儿又是动画讲解，而且从头到尾都是我的声音在讲。这些东西是怎么拼起来的？又怎么能拼得这么顺？

星球里也有星友在问。之前 咱们介绍配音 Skill 那篇文章 下面，「海洋」就直接催视频制作教程。

我拿两部片子，从我给 Claude Code 提要求的那一句话讲起，看它怎么一步步变成成片。然后讲讲为了省钱，我换便宜模型跑出来的结果，以及遇到「机器检查全过、我一看却不能用」之后，我怎么改的这个 Skill。文末我还会把这套端到端做科普教学片的 Skill 完整分享给你。

样例

我给你介绍的第一个样例，讲的是德云社。我对 Claude Code 发出去的指令是：「做个视频，介绍德云社的发展史」。

对，没给任何材料，就这一句。成片 9 分 21 秒。中午把指令发出去，傍晚就拿到了整个儿片子。

我用的这套 Skill 叫 adaptive-explainer-film，下面我就简称它「做片 Skill」。整件事里我只管两头：开头说一句话，最后看片。

下面这张图里的「一页 Brief」，就是我开头说的那句话，或者一页说明。中间的查资料、写稿、配音、做画面、渲染、自检，都是 Claude Code 在做。

配音用的是我的克隆声音，做法我在 《我视频里那个像真人的 AI 配音，是怎么做出来的？》 里讲过，这里不展开。

拿到题目，它先判断这是哪一类片子。一个相声团体三十年的故事，属于讲历史故事。这一类我给它定过偏好：主力用造型简洁、材质和灯光细致的 3D 小场景；凡是有真东西的地方，就用真东西，比如老照片、人物照片、新闻报道和百科条目的原文截图。按成片时长算，这一部的 3D 占七成多，真实照片和网页截图接近两成，剩下的是大字卡和两张图表。

这些画面怎么分配，也不是随手决定的。动手之前，它会先写一份逐段计划，把每一段用什么画面、为什么这么用写下来。下面是它自己写的计划节选，理由那一列是它的原话。

规律其实不复杂：讲到人物，就用真照片；讲道具和情境，就用 3D；讲海外巡演，就转出一个 3D 地球。画面是跟着「这一段在说什么」来选的，不是先定一种风格，从头用到尾。

这些画面放在一起是什么样？下面这段动图是成片里连着的几段：从 3D 小戏台，切到 1939 年北京大栅栏的老照片，再到天津茶馆里说相声的照片和配了年份的郭德纲照片，然后回到 3D 戏台上的三位创办人，最后停在维基百科的原文截图上。

几种画面一段接一段地换，颜色和字体始终是一套，看着有一致的风格，不像拼凑起来的。

真照片和 3D 混在一起，有个问题绕不过去：观众怎么分清哪些是真的，哪些是重建的？它的做法是，照片和截图出现时，在画面角落标上作者和许可；片尾集中鸣谢，并写明「3D 场景与人物为示意性重建，非真实影像」。你看片尾这一屏：

这其中我还专门告诫 Claude Code：AI 生成的图，不拿来冒充史料。

成片做完，它还会附一份交付说明，写清楚用了哪些外部素材、查过什么，以及哪些它自己判断不了、需要我来听，比如声音听起来自不自然。我看完片，有意见就直接跟它说。

例如我发现大栅栏读成了「da zha lan」，而不是准确读音「da shi la」，于是我会主动纠正，让它重新处理这一处。

课堂

第二个样例是完全不同的题目，一部在课上给学生放的 3 分钟短片。

我其实设置了一条支线，专门处理这种片子。为什么呢？因为我上课的时候，如果播放 10 分钟左右的片子，学生会不耐烦。一来他们早已习惯了刷短视频，所以 10 分钟对他们而言，已经属于「长片」范畴，难以适应；二来为了避免教师讲课划水，部分学校教务处的规定，也会对课堂播放视频的长度有限制。

3 分钟，可以讲清楚一个概念、机制，在学生的耐心范围内，同时还保证了课堂合规性。

下面这个例子，有些「自指」的意味。因为它讲的是：做视频时说的「渲染」，到底在干什么？

观众是没学过这些概念和技能的学生。

Skill 里已经约定：我说「3 分钟视频」，就只讲一个问题，成片不能超过 3 分钟；超了只能删内容，不能靠加快语速塞进去。这一部最后是 2 分 58 秒。可见 Claude Code 已经很努力了。

和德云社那部最大的不同是，这次它一秒 3D 都没用。它的判断是：给外行讲一个概念，没有哪一段非得在空间里转着看。所以全片以 2D 插画动画为主，加上把数字画出来的动画，再配上真实证据。它在计划里写得很干脆：本片无 3D 场景。

用 2D 怎么讲概念？你看它先把「描述」，也就是画面该怎样呈现的说明，比作一份菜谱：第 2 秒放图 A，字从左边飞进来，灯在左上方，镜头朝前看。

菜谱写好之后，再演示「渲染，就是照着菜谱，把每个像素算出来」。一个抽象的词，就这样变成了学生能看见的东西。

不用 3D，真实证据照样放上屏幕。讲到渲染为什么这么慢，屏幕上出现的是 2013 年 GamesBeat 报道的原文截图：皮克斯做《怪兽大学》，平均每一帧要算 29 个小时。原文里那一句被圈了出来，下面标着出处。

这部短片里最值得看的一段，是它拿这部片子本身当证据。屏幕上先出现网页里写好的代码，代码规定了第几秒的画面长什么样；然后让一个在后台运行、不弹出窗口的浏览器一帧一帧地截图；最后把几千张图交给编码程序，压成视频，配上声音。

屏幕上那些数字，都是这部片子自己实测出来的。学生看到的就是：你正在看的这部片子，就是这么做出来的。

德云社那部，3D 占七成多；这一部，3D 为零。用不用 3D、放不放真图，是 Claude Code 按 Skill 里我定下的偏好，再看「这一段在讲什么」来判断的，不是我一部一部手动指定的。

省钱

用 Claude Code 配 Opus 模型做片，确实贵。星友里主要用国产模型套餐的人也不少。所以我想试试，便宜模型能不能把这活干下来。