CZX2244/dsh-bilibili

English | 中文

DeepSeek Harness 工具插件：给 Agent 添加 bilibili_extract 工具。发一个 B 站链接，Agent 自动提取视频文字信息（文稿/评论/弹幕）并按需抓取关键帧，完成总结分析。

本插件不打包任何第三方二进制或模型；所调用的开源项目与服务见 THIRD_PARTY_NOTICES.md。

---

✨ 特性

• 文字信息全量提取：元数据、完整字幕文稿（带时间戳，长文稿截断保留全文时间索引）、热门评论（含楼中楼）、弹幕（高频 + 密度峰时间线样本，片头弹幕不霸榜）；无字幕轨的视频默认用必剪 ASR 转写（B站播放器「实时AI字幕」同款能力，匿名可用，24h 缓存），也可切换到本地引擎——sherpa-onnx（中文推荐，SenseVoice） 或 whisper.cpp（通用），离线可用、适配不同配置；单个信息源失败不影响整体（各自降级为空并带 note）；
• 可选帧图视觉描述：无视觉能力的主模型也能「看到」画面——帧图可交给本地 Ollama / llama.cpp（Qwen3-VL 2B/4B/8B 三档）或任意 OpenAI 兼容视觉接口转成文字描述，报告按需引用配图；
• 自动选帧（纯画面信号）：场景切换检测（>20 分钟自动切抽样式）+ 均匀间隔兜底，5 秒去重；不做关键词猜测——判断「文稿哪里不完整、必须看画面」是语义分析，交给主 Agent 的两段式提示词完成；
• 清晰帧优选：抓帧时在目标时间点 ±1.5s 内用 FFmpeg blurdetect 逐帧测模糊度，自动选最清晰的那一帧——动画入场、运动模糊、淡入淡出的糊帧会被跳过；
• 两段式工作流：模型先读文稿（秒级、零下载），再带 timestamps 定向抓帧——每帧自动配附近字幕，视频 24h 缓存复用，多轮迭代不重复下载；模型以「[建议抓帧] mm:ss」固定格式显式回报需要画面的时刻；
• 输出模板可替换：内置简洁总结模板（省时 + 可转发），summaryTemplate 配置可指向任意自定义模板文件；
• 下载优先抓帧：视频先下载到本地再从本地文件抓帧（≤30 分钟 / ≤800MB），失败或超限自动回退远程逐帧；
• 健壮：B 站 412 限流指数退避重试；无字幕自动识别「需登录」并提示配置 SESSDATA；ffmpeg 无管道调用，任何环境可跑。

---

🚀 安装

前置：Node 18+、ffmpeg 在 PATH 中、pnpm。

# 方式一：从 GitHub 安装（推荐）
dsh plugin --profile web add git+https://github.com/CZX2244/dsh-bilibili

# 方式二：本地目录（开发用，link 模式改代码即生效）
dsh plugin --profile web add ./dsh-bilibili

# 重启 web profile（dsh web），新会话中即可使用 bilibili_extract 工具

安装后工具自动进入 Agent 的工具链：用户在对话里发 B 站链接（bilibili.com/video/BV...、b23.tv 短链或裸 BV 号），模型即可调用它分析。

---

🎨 自定义输出模板

输出格式是插件的可替换零件：数据（文稿/帧/弹幕/评论）由工具提供，长什么样由模板决定。

• 内置默认：templates/summary.md —— 简洁的「省时间」总结（一句话总结 → 带时间戳要点 → 值得看的片段 → 可转发的分享语）；
• 内置备选：templates/timeline.md —— 通用时间轴式（主标题 → 开场钩子 → 时间轴分段小标题 + 内嵌时间戳要点 → 配图锚点 → 结尾结论），配图能配就配、配不了不强凑；
• 换模板：在配置里设 summaryTemplate: 'C:/path/我的模板.md'，指向你自己的模板文件；
• 改默认：直接编辑插件目录里的 templates/summary.md；
• 无效路径自动回退内置模板，工具永不因模板问题失效。

如需更丰富的输出格式（学习笔记/评测表/时间线/复习卡等），可安装配套技能 bilibili-video-analyzer（A-K 格式目录），Agent 会按用户需求选用。

---

🧠 推荐工作流（两段式，主路径：提示词驱动）

抓帧不是靠关键词自动猜，而是由主 Agent 用系统提示里的一套分析提示词，读完文稿后自己判断哪些位置「离开画面就不完整」、必须看画面。系统提示内置的「内容完整性检查」教模型找五类信息缺失——指代悬空 / 结论先行 / 操作无口述 / 无声演示 / 视觉对比，并显式回报：

① bilibili_extract(url, extract_frames: false)      # 只拿文字，秒级、零下载
② agent 逐段检查文稿的「信息缺失」位置，确定必须看画面的时间点
③ agent 在回复末尾以 [建议抓帧] mm:ss 理由 列出清单，再带 timestamps 定向抓帧——插件先在该时间点 ±4s 内用 FFmpeg 场景检测**对齐到画面变化最明显的帧**，再在 ±1.5s 内用 blurdetect **选最清晰的帧**（语义定位 → 画面精修 → 清晰度把关）
④ 依据帧的 description/citation_hint（或 read_image）判断报告里引用哪些图

兜底：单次调用（不传 timestamps）时，插件才用自动选帧——纯画面信号：场景切换（>20 分钟抽样式）+ 均匀间隔。这是给「模型没走两段式」时的保险，不包含任何关键词猜测。

---

🔧 配置

默认值写在 cordis.patch.yml，可在 $DSH_HOME/profiles/web/cordis.patch.yml 覆盖（后写覆盖整行 config）：

- override:
    - id: bilibili
      config:
        sessdata: ''                 # 可选，B站 SESSDATA（解锁登录态字幕/更多评论）
        commentLimit: 20             # 评论抓取数量上限
        maxFrames: 6                 # 最大抓帧数
        extractFrames: true          # 是否抓帧（false = 纯文字模式）
        downloadVideo: true          # 抓帧前先下载视频到本地（推荐）
        keepVideo: false             # true = 永久保留下载的视频文件
        maxVideoMinutes: 30          # 超过此时长的视频不下载，远程逐帧
        maxDownloadMb: 800           # 下载大小上限（MB）
        quality: 32                  # 16=360p 32=480p 64=720p 80=1080p
        detectScenes: true           # 场景切换检测（>20 分钟自动切抽样式）
        sceneThreshold: 0.4          # 场景切换阈值 0-1，越大越严格
        sharpFrames: true            # 清晰帧优选：目标时间点 ±1.5s 内 blurdetect 选最清晰帧
        asrProvider: 'bcut'          # ASR 引擎：bcut(必剪,默认) | sherpa-onnx(中文推荐) | whisper-local | auto | none
        sherpaBin: ''                # sherpa-onnx-offline 可执行文件路径
        sherpaModel: ''              # sherpa 模型 onnx 路径（SenseVoice/Paraformer）
        sherpaModelType: 'sense-voice'  # sense-voice | paraformer | zipformer2-ctc
        sherpaTokens: ''             # sherpa tokens.txt 路径
        sherpaThreads: 0             # sherpa CPU 线程数（0=自动）
        whisperBin: 'whisper-cli'    # whisper.cpp 可执行文件（PATH 或绝对路径）
        whisperModel: 'medium'       # 模型三档：small(低) / medium(中) / large-v3(高)，或 ggml-*.bin 路径
        whisperModelDir: ''          # 模型目录，留空 = <whisperBin 同目录>/models
        whisperLanguage: 'zh'        # 转写语言
        whisperThreads: 0            # whisper CPU 线程数（0=自动）
        visionProvider: 'none'       # 帧图视觉描述：none(默认) | ollama | llama-cpp | openai-compatible
        visionBaseUrl: ''            # 视觉服务地址，留空且 ollama = http://localhost:11434/v1
        visionModel: 'medium'        # 三档：low(2B) / medium(4B) / high(8B)，或显式模型名
        visionApiKey: ''             # 云端视觉 API Key（本地留空）
        visionPrompt: ''             # 识图提示词（留空 = 按模型自动选内置提示词）
        visionPromptByModel: {}      # 分模型提示词覆盖（显式模型名 / low / medium）
        visionMaxFrames: 6           # 最多描述几张帧（与 maxFrames 对齐）
        framesDir: ''                # 帧图输出目录，留空 = 系统临时目录/dsh-bilibili/<bvid>
        summaryTemplate: ''          # 输出模板路径，留空 = 内置 templates/summary.md
        timeoutMs: 300000            # 工具整体超时（毫秒）

本地 ASR 转写（可选，中文推荐 sherpa-onnx）

无字幕视频默认走必剪（零配置、匿名、国内直连）。想离线、或必剪不可用时，可切换到本地引擎。插件不打包模型，只提供接口，模型与二进制需自行下载（本地离线推理的物理前提，但不涉及任何 API key / 额度 / 付费）。

推荐：sherpa-onnx（中文，SenseVoice）

B 站以中文内容为主，SenseVoice 的中文识别率明显高于 Whisper，且速度更快、模型更小；模型官方托管在 ModelScope（国内直连、下载快）。

档位	推荐模型	体积（约）	适用
低	SenseVoiceSmall（int8）	~230 MB	低配电脑
中	SenseVoiceSmall（fp32）	~900 MB	主流电脑（推荐）
高	Paraformer-large	~2.5 GB	高配电脑 / 极致精度

步骤：

1. 从 sherpa-onnx 下载对应系统的 sherpa-onnx-offline 可执行文件；
2. 下载模型（model.onnx + tokens.txt），SenseVoice 模型可在 ModelScope 或 sherpa-onnx 的模型列表获取；
3. 配置里设 asrProvider: 'sherpa-onnx'，并填 sherpaBin / sherpaModel / sherpaTokens（sherpaModelType 默认 sense-voice）。

备选：whisper.cpp（通用 / 英文）

档位	whisperModel	模型文件	体积	适用
低	small	ggml-small.bin	~466 MB	低配电脑 / 快速出稿
中	medium	ggml-medium.bin	~1.5 GB	主流电脑
高	large-v3	ggml-large-v3.bin	~3 GB	高配电脑

1. 从 whisper.cpp 下载 whisper-cli 可执行文件；
2. 下载对应档位的 ggml-*.bin 模型，放到 models/ 目录；
3. 配置里设 asrProvider: 'whisper-local' 并填 whisperBin / whisperModel。

提示：asrProvider: 'auto' 会按「必剪 → sherpa-onnx → whisper-local」依次降级；中文内容建议至少 medium（whisper）或直接选 SenseVoice（sherpa）。sherpa-onnx 的 CLI 参数随版本略有差异，如遇报错请以你所用版本的 --help 为准调整。

🔍 帧图视觉描述（可选）

DeepSeek 主模型没有视觉能力时，可开启本功能：抓帧后把每帧交给视觉模型转成文字描述（随帧返回 description 字段），主模型据此判断报告里哪些画面值得引用——仅当内容需要视觉确认（图表/界面/演示细节）时才配图，纯口播画面不配图。默认关闭；视觉服务失败不影响主流程（帧路径照常返回）。

本地（推荐）：安装 Ollama 后拉取模型即可，无 key、离线、不花钱：

档位	visionModel	Ollama 模型	内存需求（约）	适用
低	low	qwen3-vl:2b	~2 GB	超低配电脑
中	medium（默认）	qwen3-vl:4b	~4 GB	低配-主流电脑（推荐）
高	high	qwen3-vl:8b	~6-8 GB	主流电脑，质量最佳

想要更大模型直接填显式模型名（如 qwen3-vl:32b），插件原样透传——只是不再作为默认档位推荐。

中档备选 MiniCPM-V 4.0（面壁，2026 年新作，官方称超越 GPT-4.1-mini、手机可跑，官方提供 GGUF/int4；其 Ollama tag 名称请以官方库为准）。visionModel 也接受显式模型名（Ollama tag 或云端模型 id）。

其他非千问模型（2026-08 已在 Ollama 官方库核实）：minicpm-v:8b（面壁 MiniCPM-V 2.6，中文 OCR 强）、moondream（1.9B，英文为主）、gemma3n（谷歌，英文为主）。Kimi-VL / InternVL / GLM-4V 暂不在 Ollama 官方库——可通过 llama.cpp 的社区 GGUF 或云端 OpenAI 兼容接口（如 Moonshot/智谱 API）使用；MiniCPM-V 4.0 官方 GGUF 走 llama-cpp 路线即可。

选型依据：本任务是「理解画面内容 + 输出配图建议」而非 OCR 转录，权重放在中文场景理解与指令遵循上，因此默认三档用同族 Qwen3-VL（2B/4B/8B，行为一致、提示词可共用）；追求极致端侧省资源可选 MiniCPM-V 4.0。

llama.cpp（本地备选）：用 llama-server 启动视觉 GGUF（模型 + mmproj），它自带 OpenAI 兼容接口；visionModel 就是启动时 --alias 设置的名字——把别名设成档位关键词对应的名字，即可直接复用档位配置：

llama-server -m qwen3-vl-8b-q4_k_m.gguf --mmproj mmproj-qwen3-vl-8b.gguf --port 8080 --alias qwen3-vl:8b
# 插件配置：visionProvider: 'llama-cpp' + visionModel: 'medium'

三档推荐以千问 Qwen3-VL 为主：低档 Qwen3-VL-2B、中档 Qwen3-VL-4B（默认）、高档 Qwen3-VL-8B。GGUF 已核实：官方 Qwen/Qwen3-VL-4B/8B-Thinking-GGUF（含 mmproj）、社区 unsloth/Qwen3-VL-4B-Instruct-GGUF 等；若所用 llama.cpp 版本暂不支持 Qwen3-VL 架构，可先改用 Qwen2.5-VL-7B-Instruct-GGUF（ModelScope 官方）。llama.cpp 还支持 MiniCPM-V（含 4.0）、InternVL、GLM-4V、LLaVA、gemma3n、moondream2 等架构。

云端：任何 OpenAI 兼容接口，例如 visionProvider: 'openai-compatible' + visionBaseUrl + visionModel + visionApiKey。单帧描述任务不需要旗舰多模态，便宜档即可：GLM-4V-Flash（中文有免费额度）/ GPT-4o-mini / 硅基流动 Qwen-VL 系列。

分模型提示词：所有内置提示词的任务都是理解这一帧的内容（画面里发生了什么、展示了什么），文字只转述要点、不做逐字转录。插件会按模型自动选提示词：MiniCPM-V 家族有专属提示词、moondream2 用英文提示词、低档小模型用更短的提示词；你也可以用 visionPrompt（全局）或 visionPromptByModel（按显式模型名或档位 low/medium）覆盖。

配图质量把关：视觉描述末尾会要求模型输出「配图建议：适合/不适合」（适合=画面清晰、信息明确、能帮助读者理解；不适合=纯口播/模糊/无信息量）。帧数据带 citation_hint 字段，总结报告只引用「适合」的帧，每段至多 1-2 张。

2B 实测结论（2026-08，llama.cpp b10428 + Qwen3-VL-2B-Instruct-Q4_K_M，16 线程 CPU，7 张已知内容测试图）：配图建议输出 100% 稳定；图表数值（120/240/180/300 万元）与海报数字（32%/500 万/三轮融资）与原文完全一致；纯口播画面正确判「不适合」；单张 4-9 秒。低档 2B 的短提示词已按实测调优（含防幻觉与判定标准）。

提示：本地 CPU 描述数张帧需要几十秒到几分钟（GPU 更快）；visionMaxFrames 控制描述帧数上限。

---

📁 项目结构

dsh-bilibili/
├── lib/
│   ├── index.js        # Cordis 插件入口：注册工具 + 系统提示指引 + 配置 schema
│   ├── extractor.js    # 提取层：B站 API + 下载模块 + 场景检测 + ffmpeg 抓帧
│   ├── keyframes.js    # 纯函数：自动选帧（纯画面信号）、时间格式化
│   └── format.js       # 纯函数：提取结果 → 模型可见文本摘要
├── templates/summary.md  # 内置默认输出模板（可替换）
├── test/                 # 单元测试（node --test）
├── cordis.patch.yml      # bundle 补丁层（被插件系统识别）
└── package.json          # dsh.bundle.patch 声明 + peer 依赖

---

🔌 插件标准

本插件遵循 DeepSeek Harness 插件标准：npm 包声明 dsh.bundle.patch → dsh plugin add 安装后自动 reconcile 进 dsh.profile.bundles → 重启 profile 后由 Cordis loader 挂载。标准详见 deepseek-harness 仓库。

---

🛠️ 本地开发（link 模式）

dsh plugin add 对本地目录用 link: 安装（改代码即生效）。由于 ESM 按真实路径解析依赖，插件目录需要一条指向 profile node_modules 的 junction：

New-Item -ItemType Junction -Path ".\node_modules\@deepseek-ai" `
  -Target "$env:USERPROFILE\.dsh\profiles\node_modules\@deepseek-ai"

改动后重启 web profile 即生效。

---

⚠️ 限制

• 多分 P 视频当前只取第一 P；
• 无字幕轨的视频默认用必剪 ASR 转写文稿，可切本地 sherpa-onnx / whisper.cpp；转写结果可能有识别错误，返回中会如实标注；
• 必剪 ASR 是匿名接口，高频连续调用可能被限流（返回错误）；需要高频/稳定转写时建议 asrProvider: 'auto'（自动降级）或直接切本地 sherpa-onnx；
• 帧图落盘不自动清理（便于模型随时 read_image），代价是磁盘占用；
• Node fetch 不读系统代理环境变量，需要代理的网络环境待适配；
• 场景检测对 >20 分钟视频自动切抽样式（全片解码耗时）。

---

📄 License

MIT