AI 自主刷抖音（v2 本地离线版）

三阶段架构：

采集（scripts/scroll.py）：全自动刷，把每个视频/直播间的 ASR 文本、截图、音频、动作写入 sqlite。不做评分。
AI 视觉分析（scripts/vision_analyzer.py + AI 亲自做）：AI 逐个 Read 截图，提取作者/标题/点赞/评论/收藏/转发/内容概要，写回数据库。
复盘评分（AI 亲自做）：读文本 + AI视觉信息 → 按 references/scoring.md 标准亲自打分写理由 → 生成复盘报告交付。

前置条件（先检查，不满足先解决）

1. 手机 AutoJS 中继

curl.exe http://localhost:9421/health

返回 "phone":"connected" 即正常。

2. 本地 ASR 服务（sherpa-onnx）

# 检查
curl.exe http://127.0.0.1:8000/health
# 未启动则运行
python D:\software\sherpa-onnx\asr_server.py 8000

模型：SenseVoice（阿里达摩院），支持中/粤/英/日/韩
速度：8秒音频约0.25秒识别完成
全程离线，无限流

3. 本地 OCR 服务（RapidOCR）

# 检查
curl.exe http://127.0.0.1:8765/health
# 未启动则双击运行
D:\software\RapidOCR\start_server.bat

模型：PP-OCRv6（ONNXRuntime推理）
速度：CPU单张约0.5~2秒
准确率：置信度普遍0.93~1.00
返回格式：data.full_text 为按行从上到下、行内从左到右排序的全文（行间 \n 分隔），代码中只使用 full_text，不解析 items/box/score 以节约开销
失败直接抛异常停止程序，不回退手机端OCR

4. 手机状态

手机上有抖音，屏幕常亮、音量适中（录音走麦克风，需外放）
依赖已就绪：AutoJS 技能（autojs-mobile-automation-yashu-public）

执行流程

阶段一：采集

cd <本技能目录>\scripts

# 冒烟测试 2 分钟（验证全流程）
python scroll.py --smoke 2

# 正式刷 N 分钟
python scroll.py --minutes 30

# 可选参数
python scroll.py --minutes 60 --keep-audio      # 强制保留音频
python scroll.py --minutes 60 --skip-asr-check  # 跳过启动时服务检查

脚本自动：开抖音 → 循环（本地OCR直播检测 → 直播间只听 / 普通视频听N窗口+ASR）→ 全部写入 sqlite + 截图 + 音频。结束时输出 会话 #<id> 和统计。等待期间无需干预；用户想提前停就 Ctrl+C，数据已落库。

启动时自动检查 sherpa-onnx 和 RapidOCR 服务状态，未启动则报错退出。

阶段二：AI 视觉分析（采集完成后）

# 列出当前会话所有待分析截图路径
python vision_analyzer.py list <session_id>

AI 逐个 Read 截图，按以下 JSON 格式分析每个视频/直播间：

{
  "author": "@重阳2077",
  "title": "第31集 | 100多个AI应用开源合集...",
  "like_count": 89,
  "comment_count": 12,
  "favorite_count": 118,
  "share_count": 7,
  "content_summary": "视频介绍了一个GitHub开源项目...",
  "is_live": 0,
  "raw_note": "可选补充备注"
}

然后调用 VisionAnalyzer.write_video_result(video_id, result) / write_live_result(live_id, result) 写回数据库。

阶段三：复盘评分 + 生成报告

# 1. 读待评分文本（含AI视觉提取的作者/标题/互动数据）
python report.py dump <session_id>

# 2. AI 逐条理解、打分、写理由、贴主题标签，生成 scores.json
#    评分标准见 references/scoring.md

# 3. 写回评分
python report.py score <session_id> scores.json

# 4. 生成报告骨架
python report.py report <session_id>

AI 补写「我的偏好画像」「自我总结」两节（用第一人称，从高分内容/主题标签/AI视觉提取的作者类型归纳）。

硬约束（不可违反）

手机上只有抖音，禁止打开其他 APP
直播间禁止点赞/评论/送礼：脚本只录音理解，听满上限自动上滑离开；直播入口卡片也进入只听模式（v2不再跳过）
普通视频可点赞/评论，由采集脚本按概率"看心情"执行
OCR失败直接停止程序：RapidOCR服务不可用时抛异常退出，不回退手机端OCR
全流程只读+轻互动，不删除/修改任何用户数据
ASR/OCR均为本地离线服务，数据不上传云端

数据位置

所有媒体文件统一存到配置的 media_root（默认：F:\obsidian\obsidian-data-master\53AI手机自动化\03AI手机看懂某音视频\04媒体文件\）：

04媒体文件/
├── screenshots/           # 截图，按 session_<id>/ 分组
│   └── session_5/
│       ├── v7.jpg
│       └── live1.jpg
├── audio/                 # 音频（默认保留），按 session_<id>/ 分组
│   └── session_5/
│       ├── v7_w1.wav
│       └── live1_w1.wav
└── database/              # 数据库文件
    └── douyin_ai.db

数据库表：sessions（每次运行）、videos（视频+评分+AI视觉信息+截图/音频路径）、lives（直播间）、windows（每窗口原始文本+音频路径）
videos 表 v2 新增字段：author, title, like_count, comment_count, favorite_count, share_count, content_summary, is_live, ai_vision_raw, audio_path
可用 python report.py export <session_id> 导出 JSON（含截图/音频路径）

直播检测（v2 简化版）

不再区分"直播卡片"和"真直播间"，统一检测为 live，只要命中任意直播关键词即进入只听模式。

直播关键词（24个，config.json 的 live_keywords）：

直播间、直播中、正在直播、直播发现、直播广场、
小时榜、人气榜、礼物、粉丝团、福袋、连麦、
付费连线、匿名连线、加入连线、直播连线、正在连线、连线中、
人正在看、人气、主播、观众、说点什么、关注了主播、来了

常见坑

PowerShell 引号：手动调用 run-task.js 传 JSON 参数需转义 \"；本项目脚本用 Python subprocess 无此问题
PowerShell 不支持 &&：多命令用 ; 分隔，或写成 .py 脚本运行
手机熄屏/锁屏：截黑屏+OCR空+录音失败 → 让用户点亮解锁后重试，不是脚本 bug
OCR空结果：纯画面帧无文字属正常，full_text 为空字符串时 detect_live 返回 none（按普通视频处理）
OCR导航过滤：full_text 按行返回后，代码会跳过前 ocr_skip_top_lines（默认2）行和后 ocr_skip_bottom_lines（默认2）行，排除顶部状态栏/导航栏和底部Tab栏的干扰；如误判可在 config.json 调整这两个值
中继断了：scroll.py 打开抖音失败会直接报错退出；恢复连接后重跑会新建会话
ASR失败：v2会打印详细错误信息（不再只显示"ASR失败"），连续失败时有指数退避（2s→5s→10s→20s→30s）
"来了"关键词可能偏泛：直播间"某某某来了"系统提示，普通视频中偶尔也可能出现，如误判较多可从 config.json 移除
评分质量：理由必须引用文本具体内容，禁止"关键词命中"式理由；AI视觉提取的作者/标题/互动数据可作为评分参考

douyin-ai-scroll