DyNote：将抖音视频及评论整理为结构化Markdown笔记

背景

在 AI 辅助学习和知识管理的场景中，B 站（Bilibili）因其相对稳定的视频、图文和评论结构，已有成熟的工具如 bili-note 将其转化为可回查证据的 Markdown 学习笔记。然而，抖音（Douyin）的信息生态截然不同：内容更碎片化，关键信息往往隐藏在画面文字、贴纸、商品卡、操作步骤以及长期的账号选题结构中，而非仅仅依赖音频转写。

如果简单地将 bili-note 的逻辑套用于抖音，不仅无法有效提取价值，还会因处理大量低信息密度内容而消耗巨额 Token。为此，开发者推出了 dy-note，这是一个专为 Codex / Agent 设计的 Skill，旨在解决抖音短视频特有的信息提取难题，通过分层处理策略，在保留原始材料、转写、评论样本和元数据的同时，实现低成本、高证据等级的知识归档。

核心内容

dy-note 的核心设计理念并非简单的“平台替换”，而是基于抖音信息结构的特殊性，构建了一套分层证据处理机制和预算控制体系。

1. 分层处理策略

dy-note 根据任务类型和证据需求，将处理流程分为三个层级，以避免 Token 浪费并确保结论可靠性：

• Quick-pass（快速通过）：适用于快速理解、选题筛选或生成草稿。利用页面元数据、抖音网页 AI 摘要或已有摘要，但会明确标注证据等级，不将快读结果伪装成完整字幕。
• Evidence-pass（证据通过）：适用于学习笔记、脚本拆解、引用原文或事实核查。优先调用字幕轨、本地 ASR、关键帧 OCR 和评论样本，确保结论有坚实的材料支撑。
• Research-pass（研究通过）：适用于账号分析、话题研究、竞品观察和批量样本收集。先以低成本收集样本，再决定哪些视频值得升级处理。

2. 证据分层与复用机制

不同来源的材料具有不同的可信度和适用场景：

• 页面简介/抖音问 AI：适合快读和章节要点，但不能冒充完整字幕。
• 本地 ASR：提供文字主干，但无法读取画面中的贴纸、商品卡等操作细节。
• 关键帧/OCR：补充画面文字信息。
• 评论样本：反映用户需求、反对意见和真实反馈。

dy-note 严格区分这些证据等级，不将低等级材料直接推导为高等级结论。当证据不足时，系统会先记录限制条件，再决定是否升级处理流程。同时，项目具备强大的复用能力：如果本地已存在 douyin_ai_brief.json、transcript.txt、segments.json 或 metadata.json，系统将优先复用，避免重复调用 AI 或运行 ASR。

3. 输出结构与预算控制

dy-note 的输出不是单一的摘要，而是一包可复用的材料，通常包括：

• transcript.cleaned.md / transcript.txt：适合阅读或纯文本的转写。
• segments.json：包含时间轴的结构化转写。
• metadata.json：来源、作者、作品 ID 等元数据。
• note_budget.json：根据材料量、转写密度和互动质量估算的笔记长度预算。
• 评论 JSON/CSV、关键帧/OCR 数据。
• learning_note.md：最终生成的学习笔记。

4. 技术依赖与限制

• ASR 后端：中文视频默认推荐复用 Qwen3-ASR 环境，也可使用 Whisper 系后端。
• 画面信息：必须依赖关键帧、OCR 或抖音网页 AI 来提取画面内的文字信息（如贴纸、商品卡）。
• 登录环境：评论抓取、账号页面分析等场景通常需要当前已登录的浏览器环境。
• 隐私安全：项目不要求导出 Cookie、Token 或本地登录凭据，严禁将这些敏感信息写入日志或文档。

关键要点

• 差异化设计：dy-note 针对抖音信息碎片化、画面依赖度高的特点，设计了不同于 B 站的省 Token 和信息提取策略。
• 证据等级分明：严格区分快读摘要、音频转写、画面 OCR 和评论反馈的证据等级，避免“低质高推”。
• 智能预算控制：通过 note_budget.json 动态评估笔记深度，根据材料质量决定处理粒度，防止在低价值内容上过度消耗资源。
• 模块化复用：支持输入产物（如字幕、元数据、AI 摘要）的复用，避免重复计算，提升处理效率。
• 多场景覆盖：不仅支持单视频整理，还涵盖评论区洞察、账号结构分析、话题研究和竞品观察。
• 隐私合规：明确声明不索取 Cookie 或登录凭据，保障用户数据安全。
• 生态互补：与 bili-note 形成互补，前者侧重 B 站长视频/课程归档，后者侧重抖音短视频/评论洞察，两者可共享本地 ASR 等基础设施。

意义与影响

dy-note 的出现标志着 AI 笔记工具从“通用转录”向“结构化证据管理”的深化。它解决了短视频领域长期存在的两个痛点：一是短视频信息密度低且分散，盲目转写导致 Token 浪费；二是短视频高度依赖视觉信息，纯音频转写会丢失关键上下文（如操作步骤、商品链接）。

通过引入分层处理和证据分级机制，dy-note 为知识工作者提供了一种更理性、更高效的内容沉淀方式。它不仅仅是一个笔记生成器，更是一个智能的内容过滤器和分析器，帮助用户在海量短视频中快速识别高价值内容，并将其转化为可追溯、可复用的结构化知识资产。这对于构建个人知识库、进行市场竞品分析或学术研究具有重要的实用价值。