2026-08-14 Codex 教程录制链路打磨 · 复盘

事实记录（不可修改区）

• 项目：《Codex 保姆级教学》操作部分录屏，上接 2026-08-13_Codex教程操作部分_26段重录复盘_v1（19/26）
• 日期：2026-08-14
• 战略转向：跳蛛先生与内容组对齐后决定——暂停录新内容，先打磨通用录制链路； 等内容组调整逐字稿后统一补录。诊断：逐字稿先写、录制去复刻，而 AI 有随机性， 复刻必然难，这是结构性问题而非执行问题
• 本日产出（全部实测验证，非纸面设计）：
  1. preflight.py 开录前自检：11 项检查；--fix 从”什么都没开”自动拉起全链路到全绿
  2. stage.take() 三道机器关：ffprobe → 黑屏占比 → 内容指纹（新增）
  3. 录制看门狗：max_take_seconds 到点强停+判废+复位
• 端到端测试：正常镜头（三关全过归档）/ 挂死镜头（15s 看门狗触发停录标废）/ 复位后再录正常，三用例全过
• 附带事实：OBS 实际装在 D:\obs-studio（不在默认位置，注册表 HKLM\SOFTWARE\OBS Studio 可定位）； ChatGPT 桌面端是 MSIX 包，启动走 shell:AppsFolder\OpenAI.Codex_2p2nqsd0c76g0!App； 桌宠 DeskPond 的悬浮窗标题全是零宽字符（\u200b\u202c\ufeff…）

一、战略转向：为什么”复刻逐字稿”注定难

内容组先写逐字稿，录制侧努力去复刻画面——但分镜里一半以上的镜头要展示 AI 的实时输出， 而 AI 每次输出都不一样。逐字稿描述的那个画面在录制时根本不会复现。

8-13 的数据恰好支持这个诊断：唯一一次七条全一次过的批次是 332-338 「输入提示词不发送」系列——恰好是完全不依赖 AI 输出的确定性镜头。 失败率高的全是要展示 AI 响应的镜头。

→ 提炼成律：录屏分镜按确定性分层_生成性镜头逐字稿后配_v1

二、链路四道防线（与 8-13 的痛点一一对应）

preflight 里最有价值的两项，都是把 8-13 的”只有人眼能发现”变成了机器判据：

• 窗口真的在绘制：PrintWindow 抓窗口自身内容 vs BitBlt 抓屏幕同位置，比对差异。 8-13 收尾那种渲染僵死（句柄/可见性/最大化/前台全对，屏上只有壁纸，hover 前后像素 完全一致）从”卡一小时”变成”一项 FAIL”
• 中文真的能打进去：往真实输入框打 8 个字的探针再撤销，用暗像素增量断言。 type_keys 打不出中文那个头号根因，从”录完 7 条空片”变成”一项 FAIL”

三、方法论沉淀

[判据阈值必须两端实测标定，直觉会差一个量级]

核心：内容指纹的阈值我凭直觉预设 45%（“完全不同的画面总得差一半吧”）。 实测标定：

两个白底应用页面的灰度差只有 14%——45% 的阈值会把 8-13 那批「录成定价页」的废片 全部放行，这道防线等于没建。正确阈值 8%，取正常水位（1%）与最难分错误（14%）的中间。

为什么直觉错得这么远：人眼看”完全不同”看的是语义（这是定价页！那是对话页！）， 灰度比对看的是像素——白底页面 80% 的像素都是一样的白。

验证状态：⚠️ 初次记录，但与两条既有律同族—— 自动化产出双重验收_机器验参数人眼验内容_v1 2026-08-05 边界补充（换一类信号先拿 已知答案的样本标定）是同一骨架：判据上线前，必须拿”已知好”和”已知坏”各标定一次， 两端都没标过的阈值不是阈值，是猜想。

操作规则：

1. 新判据上线前，正例反例各测一次，阈值放两者中间，并把标定数据写进代码注释
2. 反例要选最难分的（同为白底页面），不是最容易分的（壁纸 vs 应用）
3. 直觉阈值只配当标定前的占位符

[事后验收关能前移的就前移成事前断言，剩下的做成录中防线]

核心：8-13 的教训是”机器验参数、人眼验内容”；本日把这条又推进一层—— 人眼关兜底的范围可以持续收窄。三类失败三种时机：

• 环境/能力类（中文打不进去、窗口没上台）→ 事前 preflight
• 过程失控类（录制不停）→ 事中 看门狗
• 内容错位类（录到壁纸/错屏）→ 事后 指纹，但参照帧是事前抓的

验证状态：⚠️ 初次系统化（8-13 复盘的”下次改进”第 1 条当日落地并验证）

[大段替换编辑会丢行，链路测试是唯一可靠的网]

核心：给 take() 加看门狗时，整块替换把 o.start_record() 弄丢了—— 三条测试录出 落盘: None 当场暴露。如果没有端到端测试直接投产， 下一批素材会全部是”没开录就跑完了演示”。

操作规则：改录制主干后必跑一次最小 take（6s 静止镜头即可）； 调试这类”每步都该有状态”的流程，摊开逐步打印比读代码猜快得多（两分钟定位）。

验证状态：⚠️ 单案；与 Claude完成报告核查心法_v1 的”改完必须实证”同族

四、下次改进

1. 演示原语库（打字并校验/发送并等完成/开窗上台/切视图/滚动展示）刻意没做—— 接口形态取决于新逐字稿长什么样，提前抽象是白抽象。等内容组定稿再设计
2. preflight 的输入探针坐标目前硬编码 ChatGPT 主界面，换应用要参数化
3. 指纹判据对”同 app 不同页面”的区分度（14% vs 8% 阈值）余量不大， 若未来出现更相近的错位场景，考虑换成分块比对（布局级差异比全图均值敏感）

五、一句话结论

8-13 证明了”参数全对不等于内容对”，8-14 把这句话变成了四道可执行的防线； 而更上游的教训是：录制可靠性和镜头对 AI 随机输出的依赖度强相关—— 确定性镜头才配得上自动化复刻，生成性镜头应该先录再配稿。

关联文档

• 2026-08-13_Codex教程操作部分_26段重录复盘_v1 —— 上一日：四大根因与 19/26 重录
• 录屏分镜按确定性分层_生成性镜头逐字稿后配_v1 —— 本日提炼的一句话律
• 自动化产出双重验收_机器验参数人眼验内容_v1 —— 本日给机器关加第三道（内容指纹）
• UI自动化的固定坐标必须绑前提断言_v1 —— preflight 是它”断言写在动作前”的工程化落地
• 交接文档不是需求原文_接手先回溯上游_v1 —— 同项目 8-13 提炼
• 代码资产索引 —— stage.py / preflight.py 登记处
• 04_方法论与洞察索引