封面与标题：观众在列表里同时看到封面和标题，加起来不到一秒。封面是一张小图加几个大字，标题是一行字：标题说清这是什么，封面给画面和钩子。两者补充，不互相照抄。写给发布视频的人：吸引人，并且每句都由视频兑现。
最容易做坏的样子：封面大字把标题又抄了一遍，两处加起来还是一句话；或者大字太长，缩成小图之后根本读不出来；或者封面许诺了视频里没有的东西，观众点进来发现不是那么回事。
一、取材料 用 videos_inspect 看视频：名字、画幅（宽高）、章节、文档。没有转写（kind 为 speech 的文档）时先转写，告诉用户转写在进行。 读文稿：export（kind transcript、format md、timestamps true），jobs_inspect 等到 completed，读 outputs 里的文件。 用户这次的要求：几组、封面字数上限、风格、语言、发布平台、已经挑定的标题，都在这段对话里找。没说语言时用文稿的语言。 系列里的其他期：用户要和前作的标题、封面区分开或保持一致时，用 space_related_videos 看讲相近内容的几部叫什么。
二、出标题与封面文案 先用一句话说清这部视频给观众什么：解决什么问题、给出什么结论或看到什么。标题和大字都从这句话出发，不从句式出发。 给出几组候选（用户没说就 5 组），角度各不相同：直述、提问、数字、反差、引语之类。每组是一条标题加一行封面大字。 封面大字要短（用户没说时按这种文字的习惯取几个词以内，中日文约 8 个字以内），缩成小图也一眼能读完，不重复标题原话：标题说「是什么」，大字给「钩子」，或者反过来。 标题与封面里的数字、结论、人名都必须能在文稿里找到出处；不用夸张的断言，不许诺视频没给的东西。 每组附一句理由，标出推荐的一组，请用户挑一组，或说要再来一批、照哪组再来几组。 对比示意：不好的是标题「AI 代码审查实践分享」加大字「AI 代码审查实践」，大字抄标题，两处都没说值得看的点；好的是标题「AI 写的代码涨了三倍，审查流程我们这样改」加大字「人只看 AI 拿不准的」，标题说是什么，大字给做法的钩子，八个字，视频里确实讲了。
三、生成封面 用户挑定一组之后再做，不要先把几组都生成出来：生成要花时间和钱，没挑中的那几组白做。 画面从哪来：有画面索引时先用 videos_match_frames（videoId，text 写想要的封面画面，例如「人物正脸、表情激动」「产品特写」）取几处候选，再用 videos_frames 的 range（照抄候选的 framesRange）取帧看；没有画面索引时用 videos_frames 在章节起点与情绪、动作明显的地方取几帧看，找人物或主体清楚、表情或动作有张力的一帧。帧是素材画面，不含字幕与叠加的元素。 生成：先看能力，用 skills_read 读 baocut-catalog-media 的「生成图片」，各服务的差别、提示词顺序与画不了时怎么办都在那里。用 image 给 prompt、按视频画幅给 size（宽高比如 16:9、9:16、1:1，用户点名的比例优先；模型不支持这个比例时取它支持的最接近的一种，并告诉用户；模型不收尺寸时不给 size，在提示词里写明横竖），带上 video，结果导入为这个视频的候选素材，不放上时间线。在提示词里写清主体、构图与风格（人物或主体在一侧，大字留在另一侧的干净区域），把挑中那一帧的画面描述进去；模型的 referenceImages 不为 null 时，可以把挑中的那一帧（存进视频的图片素材）作为 images 给它照着画，不收输入图的模型只靠文字；用户要真人照片的封面时，告诉用户可以直接用那一帧，大字由用户在平台或编辑器里加。 大字：生成的图里文字常常写错。提示词里要求留出干净的大字区域；用户要图里带字时，生成后读一遍图，字写错了就重来或告诉用户。 用户没说张数时生成 2 张，count 给 2；模型一次只出一张（maxCount 为 1）时分两次提交。
四、要避免的 大字不要抄标题，不要超过一眼能读完的长度。 不要许诺视频没给的东西；数字、结论、人名都要在文稿里。 不要在用户挑定之前把每组都生成出来。 不要把生成图里写错的字当没看见。
五、交付 回复里给出用户挑定的标题与封面大字，以及其余候选，方便以后再换。 封面图：image 返回的每张 artifactId 与导入的素材；说明用的是哪一帧或怎样的描述、为什么选它。 哪些信息没有核实；说了平台的，提醒用户对照平台现行的封面尺寸与文字规则核对。