AI 剪片革命：ButterCut 讓 Claude Code 直接剪輯影片
當同代人仲忙住喺 Timeline 逐格睇帶、逐段標 In/Out point，你其實已經可以同 Claude Code 講一句：「幫我剪條 3 分鐘嘅婚禮精華，節奏明快啲，由進場到敬酒。」五分鐘後，一個 FCPXML 檔就喺你桌面，匯入 Final Cut Pro 嘅時候，時間線上整整齊齊排列好選取嘅片段、粗剪甚至配樂提示。聽落似科幻，但 ButterCut 已經將呢個 workflow 變成現實——而佢唔係另一個食雲端 GPU 嘅 SaaS 平台，而係一個由獨立開發者 Ford 用 Ruby 同 Claude Code skill system 砌出嚟嘅開源工具。
Agent-Native Editing：AI 唔再係 Plugin，而係剪接師本人
傳統嘅 AI 剪片工具行嘅係另一條路：Runway 幫你 generate 新片段，Descript 幫你 edit by transcript，但佢哋全部都係一個獨立 app，你要入去個 interface 操作。ButterCut 完全唔同——佢冇自己嘅 UI，因為佢嘅 UI 就係 Claude Code 個對話界面。你 prompt，Claude 思考，然後直接產出時間線。呢種我稱之為 agent-native 嘅方法，本質上係將 LLM 由一個「輔助工具」升級為「剪接助理」。
背後嘅技術堆疊好值得拆解。ButterCut 嘅 core 係一個 Ruby library，負責 generate Final Cut Pro XML（FCPXML 1.8）同 Premiere/DaVinci 共用嘅 xmeml 格式。呢個 library 唔係乜嘢 machine learning，而係老老實實嘅時間線數學：計算 clip duration、track layer、轉場 overlap、filter 參數——全部係 deterministic 嘅 code。真正嘅 AI 部分落喺 Claude Code 同 WhisperX 身上。當你指住一個 video folder 叫 Claude「create a library」，佢會自動 spawn 多個 parallel agent——一個拎 FFmpeg extract frames，一個 call WhisperX 做 word-level transcription，一個分析 visual composition 寫 summary——然後呢堆 metadata 被 consolidate 成一本「拍攝日誌」，Claude 就係靠呢本日誌嚟做編輯決定。
呢個 architecture 嘅聰明之處在於佢將「理解影片」同「操作時間線」完全解耦。LLM 嘅角色係理解 content、做 editorial judgment；Ruby library 嘅角色係 pure execution：將 decisions 變成精準嘅 XML。呢個 separation of concerns 令到未來換任何 LLM backend 都唔會影響個時間線輸出嘅正確性。
一個 Prompt，四線平行處理：效率嘅幾何級數提升
講到生產力，最震撼嘅係觀察 ButterCut 點樣處理大量素材。根據個 example walkthrough，當你畀 Claude Code 十條 wedding footage，佢唔會一條一條咁睇——而係一次過 spawn 四個 parallel agent，每個 agent 負責處理一段片：Extract frames、transcribe audio、寫 visual description、update library.yaml。十條片喺幾分鐘內就全部 analyze 曬，而你嘅角色只係坐喺度等佢做完。
呢種 parallelism 喺傳統剪接 workflow 入面完全做唔到。人類剪接師要逐條片睇，逐段 mark，一日做三百條片嘅 dailies 係體力同專注力嘅極限挑戰。但對 Claude Code 嚟講，多一條片只係多一個 parallel agent——成個 scaling 係近乎 linear 嘅。加上 ButterCut v0.7.2 引入咗自家 processing pipeline，token consumption 大幅降低 60%，原本要用五分之一 account capacity 嘅分析任務，而家只用到十分之一。呢個數字意味住就算 heavy user，一個月分析幾百條片都唔會撞 Claude API 嘅 usage limit。
更重要嘅係呢個 workflow 逼你用另一種方式思考剪接。傳統剪接係 bottom-up：你逐條片睇，慢慢 build 感覺，然後先開始剪。ButterCut 嘅方式係 top-down：你一開始就要講「我想要一個點樣嘅故事？節奏係快定慢？重點係乜？」呢個 constraint 反而迫你 early-stage 就釐清創作方向。唔係個個人都習慣，但習慣咗之後，你會發現自己嘅編輯決策快好多，因為你唔使再俾 raw footage overwhelm。
獨立開發者嘅啟示：Ford 嘅 Product Strategy 值得學習
ButterCut 嘅 creator Ford（GitHub @barefootford）做咗一個好聰明嘅 product decision：佢將個 tool 拆做 core（開源免費）同 Pro（付費）兩個 tier，而且佢明確講到明 Pro 會有 multi-track support、faster transcription 呢啲「pro feature」。呢個 strategy 似足 Sidekiq 嘅 Mike Perham——core 係口碑傳播引擎，Pro 係收入來源。開放核心（open core）呢個 model 喺 developer tool 領域已經被驗證過好多次，但喺 AI + creative tool 呢個 niche 仲係好少人咁做。
另外一個值得留意嘅點係佢對 platform 嘅取態。ButterCut 目前只正式支援 Apple Silicon Mac，Linux/Windows 只係「你可以自己搞，但我唔會 support」。呢個決定喺某啲人眼中係局限，但我認為係極度理性嘅資源分配——一個獨立開發者（或者極細團隊），最唔應該做嘅就係分散精力去 support 三個 platform。Mac + Final Cut 嘅組合已經 cover 咗一個非常忠誠嘅 creative professional 社群，呢個社群願意俾錢買好工具。Focus 唔係戰略選項，而係 survival requirement。
同場加映嘅係，近期亦有 FFmpeg Micro 推出嘅 MCP server，將 FFmpeg 操作包裝成 MCP tool，令到 Claude Desktop 可以直接 call FFmpeg 做轉檔、trim、resize。呢個趨勢好明確：2026 年下半年，我哋會見到越來越多「AI agent + traditional tooling」嘅 hybrid product。唔係取代 Premiere，而係喺 Premiere 前面加多層 LLM 嘅 intelligence layer。
你而家應該做嘅三件事
第一，如果你有 Mac 同 Claude Code subscription，即刻去 buttercut.io 跟住 install guide 試一次。唔使有任何剪接經驗——你就搵幾條 random footage（ phone clips、screen recording、旅行片），開 Claude Code 打 “Install ButterCut”，然後睇住佢幫你 analyze。你唔需要識 Ruby，唔需要識 FFmpeg，Claude Code 會自動搞掂啲 dependencies。成個體驗係「型到裂」嗰種。
第二，思考你嘅 workflow 入面有冇其他環節可以用 agent-native 方式重構。剪片只係第一個例子——audio editing、photo culling、motion graphics、甚至 color grading，全部都係「LLM 理解 content + deterministic tool 執行」呢個 pattern 嘅候選。如果你係 indie developer 或者 creative technologist，呢個空間嘅機會窗仍然好闊。
第三，唔好等 product 完美先開始用。ButterCut v0.7.2 仲有好明顯嘅 edge cases（multi-track 仲係 Pro-only、Windows support 未 official），但佢 core workflow 已經 solid 到可以 daily drive。Agent-native tool 嘅特性係佢哋 evolve 得好快——因為每次 Claude 有新 model，成個 tool 嘅能力就自動升級。你而家用佢剪一條片，六個月後同一條片可能用同一套 workflow 會剪得靚十倍。及早入場，建立 muscle memory，當呢個 paradigm 成為主流嗰陣，你已經跑咗好遠。
---
文章重點回顧：
- **開頭**：反常識切入——同人哋仲喺 Timeline 手動逐格剪片，你已經可以用一句 prompt 搞掂粗剪
- **Agent-Native 概念**：解釋 ButterCut 唔係另一個 AI app，而係用對話做 UI 嘅全新剪接 paradigm，拆解咗 Ruby XML generator + LLM editorial decision 嘅分層架構
- **平行處理效率**：用實際數據（v0.7.2 token 減少 60%、四線 parallel agent）說明點解呢個 approach scaling 咁好
- **獨立開發者策略**：分析 Ford 嘅 open core model、Mac-only focus 點解係明智決策
- **結尾行動點**：三個具體可做嘅嘢——即試 install、思考 workflow 重構、唔好等完美先開始