> ## Documentation Index
> Fetch the complete documentation index at: https://docs.newenergycoder.club/llms.txt
> Use this file to discover all available pages before exploring further.

# hook-analyzer-skill

> 视频前三秒钩子分析技能。从分镜拆解结果中提取前三秒分镜数据，为钩子吸引力评估提供结构化上下文。运行脚本 `python scripts/analyze_hook_segments.py "<breakdown_json_file>"` 或通过 stdin 传入 JSON。输出包含前三秒分镜数量、总…

| 项目 | 内容                                                                                                                                                                                                                                                                         |
| -- | -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
| 来源 | [skills/hook-analyzer-skill/SKILL.md](https://github.com/new-energy-coder-club/new_energy_coder_club/blob/Skill/skills/hook-analyzer-skill/SKILL.md)                                                                                                                       |
| 分类 | 开发工程 & 工作流                                                                                                                                                                                                                                                                 |
| 安装 | 克隆 [Skill 分支](https://github.com/new-energy-coder-club/new_energy_coder_club/tree/Skill) 后，将 `skills/hook-analyzer-skill/` 目录复制到 `~/.claude/skills/`（Claude Code）、`~/.trae/skills/`（Trae IDE）或 `~/.qclaw/skills/`（QClaw/OpenClaw），详见 [Skill 安装方式](/community/skill-branch) |

# 视频前三秒钩子分析 (Hook Analyzer)

## 概述

视频前三秒钩子分析技能从分镜拆解结果中提取前三秒的分镜数据，并构造结构化的分析上下文，包含视觉内容描述、关键帧图片 URL、运镜方式等信息，为后续的 LLM 多维度评分分析提供输入。

## 适用场景

1. **短视频优化**：评估视频开头的吸引力，提升 3 秒留存率
2. **创意评审**：从5个维度量化分析钩子质量
3. **竞品对标**：对比不同视频开头的钩子策略

## 分析维度

本技能提取的数据供以下 5 个维度评分（由 LLM 完成评分）：

| 维度    | 权重  | 评估要点            |
| ----- | --- | --------------- |
| 视觉冲击力 | 30% | 画面构图、色彩、光影、运镜动感 |
| 语言钩子  | 25% | 文案与画面配合度、悬念制造   |
| 情绪唤起  | 15% | 画面情绪、人物表情、氛围营造  |
| 信息密度  | 15% | 有效信息量、核心价值传达    |
| 节奏掌控  | 15% | 分镜切换节奏、平台特性适配   |

## 使用步骤

### 方式一：从文件读取分镜数据

```bash theme={null}
# 1. 先使用 video-breakdown skill 处理视频并获取分镜结果
python ../video-breakdown-skill/scripts/process_video.py "https://example.com/video.mp4" > breakdown.json

# 2. 提取前三秒分镜数据
python scripts/analyze_hook_segments.py breakdown.json
```

### 方式二：通过 stdin 管道传入

```bash theme={null}
cat breakdown.json | python scripts/analyze_hook_segments.py -
```

## 输出格式

```json theme={null}
{
  "segment_count": 3,
  "total_duration": 2.8,
  "total_video_segments": 15,
  "analysis_mode": "multimodal",
  "segments": [
    {
      "index": 0,
      "start_time": 0.0,
      "end_time": 1.0,
      "duration": 1.0,
      "visual_content": "画面描述",
      "speech_text": "语音文字",
      "shot_type": "特写",
      "camera_movement": "推镜头",
      "function_tag": "开场",
      "frame_images": [
        {"type": "image_url", "image_url": {"url": "https://..."}}
      ],
      "frame_count": 3
    }
  ]
}
```

## 钩子类型分类

分析结果可用于识别以下钩子类型：

* **痛点型**：直击用户痛点，引发共鸣
* **好奇型**：设置悬念，引发好奇
* **冲突型**：制造对比或冲突吸引注意
* **价值型**：直接展示价值承诺
* **情感型**：以情感共鸣打动用户
* **视觉冲击型**：通过强烈视觉效果吸引
* **悬念型**：留下悬念引导继续观看

## 评分标准

| 分数段  | 等级 | 描述        |
| ---- | -- | --------- |
| 9-10 | 顶级 | 极强的吸引力和创意 |
| 7-8  | 优秀 | 具备良好的吸引力  |
| 5-6  | 一般 | 有改进空间     |
| 3-4  | 较弱 | 需要重大改进    |
| 1-2  | 很差 | 基本没有吸引力   |

## 注意事项

1. 此脚本只做**数据提取**，不做 LLM 评分（评分由 Agent 的 LLM 完成）
2. 提取的 `frame_images` 字段中包含关键帧 URL，可供 Vision 模型直接分析
3. 每个分镜最多取前 3 帧关键帧，避免 token 超限
4. 输入必须是 `process_video` 返回的完整 JSON 数据

## 故障排除

| 问题            | 解决方案                           |
| ------------- | ------------------------------ |
| 输出为空 segments | 确认输入 JSON 包含 `segments` 字段且不为空 |
| 前三秒无分镜        | 视频可能从静止画面开始，检查原始数据             |
| 关键帧 URL 失效    | TOS 签名 URL 可能已过期，重新拆解获取        |