Cyber Martin's Podcast

AI 生成内容留下的痕迹，真的能清理干净吗？本集以 Watermarks Remover 为例，聊聊文字、PDF 和图片里的线索怎样处理，以及改写和自动清理可能带来的代价。

这一集聊什么

• 文字里看不见的字符，为什么有些可以按规则清理。
• 藏在写法里的线索，为什么改写可能影响原来的语气和意思。
• PDF、图片和文件记录中还可能留下什么，表面修改为什么不一定够。
• 自动处理失败时，怎样让问题及时被发现；哪些结果可以确认，哪些仍有局限。

本集依据该工具一个固定版本的源码与文档；这些资料不能证明某家厂商一定为某份内容加了标记，也不能保证清理后不会被识别。

本集音频由 NotebookLM AI 生成；文字稿经自动转写整理，少数听不清处已标注。

延伸阅读

• 项目说明与能力边界（固定版本）
• 分层清理指南（固定版本）

这集从 AI 写出 slop code 的常见失控场景出发，拆解本地资料中 pstack 的验证理念、Potato Mode、playbook 与脚本边界，也把文档宣称和真实部署证据分开。

这一集聊什么

• Slop code。 为什么代码量增长不等于质量增长。
• Potato Mode。 如何把意图路由到不同的 playbook。
• 文本与脚本。 哪些规则给模型阅读，哪些确定性状态交给程序。
• 证据边界。 如何把作者主张、源代码线索和实际部署结果分开。

先把讨论范围说清楚

节目依据本集音频与本地可发现的 pstack、sloppiness 资料整理。音频中关于具体插件实现、模型路由、自动运行成功率和外部依赖的说法，仍属于待核验的讨论内容。

本集音频由用户说明为 Gemini Notebook 生成，属于 AI 生成成品；本次工作没有把它部署成真实工程，也没有声称已完成版权或生成条款核验。

听完可以带走的检查表

• 先验证，再接受更大规模的 Agent 输出。
• 把可确定的状态、锁和边界做成可复现的脚本。
• 把本地来源能证明的内容与音频中的推断分层记录。

本集章节

• 00:00 AI 为什么会吐出 slop code
• 01:28 从 Lauren Tan 与 pstack 进入问题
• 02:16 Potato Mode：只做路由
• 02:58 playbook 与模型分工
• 05:32 Principles：把规则写进输出
• 07:42 触发词与纯文本约束
• 09:51 从文本规则到物理边界
• 13:28 自治运行：宣称与证据
• 15:14 脚本、状态与唤醒
• 16:59 未部署的边界
• 17:41 把路由和行动边界交给系统
• 18:49 人类是在写代码还是写规则

延伸阅读

• Lauren (@poteto)：The Complete Guide to pstack Pt. 1
• Lauren (@poteto)：The Complete Guide to pstack Pt. 2
• Earendil：Measuring code sloppiness
• pstack source tree

这集音频从一个常见的失败开始：把视频交给 AI，让它凭文件名和想当然的参数写 FFmpeg 命令。ffmpeg-skill 给出的答案，是把媒体事实、工具边界和验证结果重新放回流水线里。

这一集聊什么

• Probe first。先用 probe.py 读取真实的容器、编码、帧率、音轨和时间戳，再决定后续动作。
• 无损优先。能用流拷贝解决的问题，不先把素材送进级联重编码链。
• Dry Run。执行前输出 JSON 计划，让人和 AI 都能看见将要发生的操作。
• 工具各司其职。look.py、scenes.py、color.py、check.py、cut.py 和 sync.py 分别处理观察、分析、色彩、检查、剪切与对齐。
• SPEC 契约。从 argparse 运行时生成工具说明，让代码参数成为更可靠的事实来源。

为什么 VFR 会改变剪辑判断

手机录像、屏幕录制和会议录制可能带有可变帧率（VFR）。如果按恒定帧率去猜时间线，画面和音频会在长时间线上逐渐错开。先探测，再选择无损或精确重构路径，才知道自己在处理什么。

事后术语核对

本版阅读稿根据 pinned ffmpeg-skill 源文档校正了明显的 ASR 术语，例如 ffmpeg-skill、SKILL.md、probe.py、look.py、scenes.py、color.py、check.py、cut.py、sync.py、SPEC 和 argparse。原始 ASR、校正前后全文与理由保存在封包的 transcription 台账中；这类校正不改变音频和时间线。

音频来源说明

本集音频为 AI 合成的已提供成品，具体生成器身份未在本次 source record 中确认。节目内容依据本集音频、pinned ffmpeg-skill revision 与随附材料整理。

本集章节

• 00:00 让 AI 猜参数，为什么总会出错
• 00:47 ffmpeg-skill 的初衷与 28 个工具
• 03:18 Probe first：先认识真实媒体
• 07:50 Dry Run 与 JSON 计划
• 09:54 look.py 与 scenes.py：让 AI 看见素材
• 12:10 color.py 与 check.py：画面和交付检查
• 13:12 cut.py、sync.py 与漂移
• 15:37 SPEC：让代码成为契约
• 17:30 把探测、执行、验证带到别的工具链

延伸阅读

• ffmpeg-skill pinned source · GitHub

一张 AI 幻灯片很好看，能不能顺利改成可编辑的 PPTX？这一集从 Gorden Super PPT Skills 出发，聊环境适配、切片失败、文字生成和视觉校正，看看一套制作流程怎样变得更顺手。

这套方案把工作分给三个技能：串联流程、生成图片，再把背景、框架、图标和文字还原成可编辑的幻灯片。沿着这条路线，我们提出了几组改造想法，也重新核对了录音里说得太满的地方。

四个值得继续试的问题

• 换个环境，还能跑吗？ 核心逻辑与运行时适配怎样分工，才能让迁移更省心？
• 一小块图标切坏了，怎么接着做？ 从图标重切到局部合并，讨论异常恢复与可编辑性之间的取舍。
• 一页字太多，要不要分步生成？ 先做视觉容器，再放入精确文字，值得用一组实际样例比较。
• 看出了位置偏差，下一步怎么改？ 把视觉检查接到坐标修正上，让每一次检查都能帮上忙。

事后查证，发现搞错了：原项目已经写了其他运行环境的适配说明，也有图标重出、增加留白后重切，以及用 dx_px／dy_px 校正位置的步骤。录音里把这些说成了缺失，话说满了。我们接下来想试的，是怎样把这些恢复步骤接得更顺，以及能否从差异热图自动算出可靠的修正量。

听完可以动手试一件事

打开下面的三个技能入口，挑一个最想改的环节，用同一份输入跑一次现有流程和你的改法。记下哪里更顺、哪里又出了问题，带着结果继续讨论。

本集由 AI 合成语音呈现，内容由 Martin Lanse 整理。

本集章节

• 00:00 厨具与砧板：为什么讨论工具链边界
• 00:33 运行时依赖：通用性的边界在哪里
• 01:47 适配器提案：让核心逻辑更纯粹
• 02:56 四层还原与强门禁的代价
• 04:16 异常降级：整页重来之外的选择
• 05:29 高密度内容：先做容器，再填文字
• 07:39 视觉 QA：发现偏移之后怎么办
• 09:34 四项改进与一个源码自测

延伸阅读

• Gorden Super PPT Skills：官方源码与三技能入口（固定版本）
• 运行时适配说明：Codex 主路径与其他后端
• 图片还原 PPTX：四层结构与验收流程
• 视觉对比 QA 脚本：差异图与指标的实际输出

阅读本集完整文字稿