2026 年 9 月，GitHub 上出现了一个叫 Anything2Explainer 的开源项目，作者是 Vincentwei1021（Yihao）。它是一个给 AI 编程代理用的「技能包」：你给它一句主题需求，它就能产出一条带配音、字幕和章节进度条的动画解说视频。截至抓取快照（2026 年 9 月 10 日），仓库已有 612 个 star、109 个 fork（star 相当于点赞收藏，fork 是复制一份到自己账号下）。
这个项目是什么
Anything2Explainer 不是一个你直接运行的软件，而是一套 Agent Skill。Agent Skill 可以理解为给 AI 编程代理安装的「操作手册」：Claude Code、Codex 这类 AI 助手（能自己读代码、执行命令、按指令完成开发任务的 AI 程序）装上它之后，接到「做一条讲解向量数据库的视频」这类需求，就会按手册写好的流程一步步执行，直到产出成品。
它适合三类人：已经在用 Claude Code 或 Codex 的开发者；想低成本批量做科普、教程视频的内容创作者；想研究「多个 AI 协作制片」这种新玩法的人。用它不需要会剪辑，也不需要出镜。
项目的核心做法是：不用生成式视频模型，画面全部由代码绘制。每个画面都是用 React 加 TypeScript 写的，视频由代码逐帧渲染出来，而不是剪辑软件拼出来，也不是 AI 凭空生成画面。
视频是怎么做出来的
整个制片过程分 9 个阶段：搭工程骨架、AI 调研员带着来源链接整理资料（要求每个数字都能溯源）、写解说词并生成配音时间轴、画分镜、设计封面和章节卡、出 30 秒样片、把镜头分给多个「构建智能体」并行编写、渲染成片、按质检标准修复。全程大约 1 到 3 小时，其中大部分时间是多个 AI 并行画画面。
画面渲染用 Remotion——一个用 React 代码写视频的框架，输出规格固定为 1280×720、30 帧每秒、H.264 编码（通用视频压缩格式）。配音方面，中文默认走微软 edge-tts 云语音，英文默认用 kokoro-82m 本地模型；也可以换成自己的配音文件。字幕与配音逐字对齐，屏幕底部有章节进度条。
仓库自带的参考成片是《RAG 与知识库》主题：英文版 5 分 02 秒、44 个镜头，中文版 4 分 54 秒、同一套 44 镜头分镜。RAG 和向量数据库可以粗浅理解为：按「含义相似」而非「字面相同」来检索数据的存储方式，常用于 AI 应用的知识库。
四个需要你确认的节点
流程不会闷头跑完，只在四个节点停下来等你确认：成片长度与语言、解说词定稿、配音引擎选择、前 30 秒样片效果。解说词一旦配音，每个镜头的帧号就写死了，改一个字就要重排整条时间轴，所以定稿节点最值得盯紧。样片阶段改风格只影响一个镜头组，全部渲染完再改就要全部重来。
和生成式视频模型的区别
Sora、Veo、Runway 这类生成式视频模型，是让 AI 根据提示词合成画面像素。Anything2Explainer 走的是另一条路：每个数字都可以溯源，每一帧都可以精确修改——屏幕上出现的每个数字都要能对应到调研文档里的来源链接，想改某一帧，改对应的一个镜头文件重新渲染即可。代价是视觉风格统一（黑底、白色线条画、紫色点缀），且刻意不做真人出镜。
硬件与时间成本
不需要 GPU：画面由无界面浏览器（headless Chromium，即没有窗口的浏览器）在 CPU 上渲染，英文配音的 kokoro-82m 模型也是本地 CPU 运行。产出速度与片长直接相关：2 到 3 分钟成片大约 1 小时（24 到 32 个镜头），3 到 5 分钟大约 2 小时（40 到 50 个镜头），5 到 8 分钟大约 2 到 3 小时（60 到 80 个镜头）。并行构建时多个 agent 同时打包，需要预留至少 5GB 磁盘空间。
许可与限制
项目采用 PolyForm Noncommercial 1.0.0 许可：个人非商用免费，商用需要先获得作者授权；用这个工具做出来的视频归你所有。当前限制还有：只支持中文和英文、只输出 1280×720 横屏（不支持手机竖屏 9:16）、不适合复刻现有视频或真人出镜类内容。
结论
做一条讲解视频这件事，在 Anything2Explainer 里变成了给 AI 编程代理下达一句指令。它比生成式视频模型更可控——画面可溯源、可精确修改；比手动用 Remotion 更省事——调研、解说、分镜、质检的完整方法链都是现成的。如果你已经在用 Claude Code 或 Codex，想低成本产出中英双语讲解视频，这个项目值得直接 clone 下来试；如果你需要商用授权或竖屏视频，它目前还不合适。