[Feature] 录制用户操作并生成可复用 Skill（参考 Claude Cowork / Codex）

## 背景

Claude Cowork 在 2026-07-21 发布了 “Record a skill”：用户一边完成任务、一边录屏并口述，Claude 把过程转换成以后可重复执行的 Skill。

- 官方动态：https://x.com/claudeai/status/2079595988998554047
- 原文要点：`Record your screen while you do a task, talk through it as you go, and Claude turns it into a skill it can run again.`

另一个直接相关的实践是 Elvis Saravia 的 “Multimodal Prompting for Agents”。其演示同步采集语音转写、关键帧、鼠标事件和屏幕标注，把一次真实操作转换成更完整的多模态任务记录。

- 文章：https://x.com/omarsar0/status/2073404610501329247
- 演示：https://www.youtube.com/watch?v=_rIziQa48wQ

Cindy 目前已有 `/learn` 的完整后半段能力：可从自由文本、当前会话或 SkillHub 内容蒸馏 Skill，在隔离 staging 中生成提案，做敏感信息检查，展示 diff，并经用户确认后安装到 `~/.agents/skills/`，同时兼容 Claude Code / Codex。

当前缺口是：用户无法直接把“自己实际怎么完成一个任务”作为 `/learn` 的一等证据来源。很多个人工作流很难靠文字完整描述，尤其包含跨 App、多步骤 UI 操作、“这里 / 这个区域”一类指代，以及口头判断标准时。

## 目标

参考 Claude Cowork 的低门槛录制体验、Codex `skill-creator` 的结构化编写与迭代思路，以及 Multimodal Prompting 的富上下文采集方式，为 Cindy 增加「录制任务生成 Skill」：

> 用户录制自己完成一次任务的过程，可选同步口述原因和注意事项；Cindy 把录制转换成结构化证据，交给现有 `/learn` 蒸馏成一个可审查、可试跑、可继续修改的 Skill。

本功能只补齐 `/learn` 的录制证据入口，复用现有的生成、审查和安装链路，不新建一套平行的 Skill 系统。

## 建议流程

1. 在聊天输入框 `+` 菜单和 SkillHub 中提供「录制任务生成 Skill」。
2. 开始前选择录制单个窗口或整个屏幕；默认推荐单窗口，麦克风口述可选。
3. 录制期间提供持续可见的状态提示，以及暂停、继续、圈选/箭头/备注、标记敏感片段、结束和取消。
4. 结束后展示可裁剪的统一时间线、转写文本、关键帧、标注和提炼出的步骤摘要。
5. 用户确认素材后，把结构化 evidence block 交给现有 `/learn` 管线：
- 判断改进已有 Skill 还是新建 Skill；
- 在 staging 中生成一个 Skill；
- 检查 secrets、个人路径、内部地址等敏感内容；
- 展示文件 diff、证据摘要和风险提示；
- 用户可在蒸馏会话中继续纠正，确认后才安装。
6. 生成 Skill 后提供 2–3 个建议测试用例；允许用户试跑并根据结果继续迭代同一提案。

## 核心抽象：RecordedTaskBundle

不要让模型直接面对一段没有结构的长视频。一次录制应先确定性地转换成一个带统一时间线的 `RecordedTaskBundle`，概念上包含：

- 用户补充的高层任务描述；
- 带开始/结束时间的语音转写片段；
- 由点击、标注、窗口切换和显著画面变化触发的关键帧；
- 节流后的指针轨迹，以及 click / drag / scroll 等语义动作；
- 圈选、箭头、文字备注等标注及其归一化坐标；
- 当时的 App、窗口标题，以及能力允许时的 URL、viewport、DOM / accessibility target；
- 录制范围、权限、脱敏结果、采样策略和所用 provider 等 provenance。

所有模态必须共享同一时间基准，使“把这里对齐”“删掉这个区域”等口述能准确关联到当时的画面、标注和操作目标。

`RecordedTaskBundle` 是录制证据结构，不是永久媒体副本。媒体字段只引用 `cindy-media` 中有账本和生命周期的 blob，结构化文本与事件使用独立的可版本化 schema。

## 两级采集能力

### Cindy 内置 Browser：富语义轨迹

当任务发生在 Cindy 可控的 Browser 中时，在用户明确授权的前提下额外采集：

- URL、viewport 与页面变化；
- DOM selector / accessibility role / accessible name；
- 目标控件 bounding box；
- click、scroll、navigation 等浏览器事件。

这些信息能让 `/learn` 理解用户指向了哪个真实控件，并帮助生成比纯坐标更稳定的 Skill。

### 任意桌面窗口：通用视觉轨迹

对于其它 App，降级为：

- 单窗口或整屏画面；
- 语音与屏幕标注；
- 指针、点击、拖拽、滚动和窗口切换；
- 可获得的 App / 窗口元数据。

两种来源最终归一成同一个 `RecordedTaskBundle`，上游采集能力不同不应让 `/learn` 出现两套输入协议。

## 证据预处理与成本控制

MVP 优先采集：

- 选定窗口/屏幕的视频；
- 可选麦克风口述及带时间戳转写；
- 关键帧和窗口切换时间点；
- 指针、点击、拖拽和滚动事件；
- 用户主动添加的圈选、箭头、步骤标记或备注。

不要默认记录全量键盘输入、剪贴板内容或密码字段。若未来需要更准确的输入语义，应作为单独的显式 opt-in，并优先记录“向已知字段输入了内容”这类脱敏结构化事件，而不是原始按键和值。

模型侧不应逐帧吞整段视频。预处理至少包括：

- 按点击、标注、页面切换和显著视觉变化抽取关键帧；
- 重复帧去除与相邻事件合并；
- 指针轨迹节流，保留 click / drag 等关键节点；
- 转写分段并与画面、标注、动作对齐；
- 先生成高层步骤摘要，同时保留可按需回查的原始转写和证据引用；
- 对关键帧数量、录制时长、总字节和发送给模型的 token 设置硬上限。

可以使用更便宜的转写 / 视觉模型做后台预处理，但最终发给蒸馏 agent 的证据包必须可检查、可追溯，不能让后台模型生成的摘要成为唯一事实来源。

## 隐私与安全边界

- 开始录制前明确展示采集范围、麦克风状态、结构化事件类型，以及哪些内容会发送给模型/provider。
- 默认单窗口录制；录制中必须一直有明显指示，禁止静默后台录制。
- 支持暂停、裁剪和排除敏感片段；检测到密码、验证码、token、支付信息等内容时给出强提示。
- 原始录屏和音频默认仅本地保存，并提供“Skill 生成后立即删除”选项。
- 若保留录屏/音频/关键帧，必须走 `cindy-media` 媒体总仓的 blob + ledger + ref 生命周期，禁止新增专用 recording/cache 目录或绕过账本落盘。
- 最终 Skill 不应包含原始录屏、私密截图、secret、机器专属绝对路径，也不应依赖录制素材才能运行。
- 取消、失败、超时和用户丢弃提案时必须清理 staging，并释放对应媒体引用，不留孤儿文件。
- DOM、accessibility、窗口标题和 URL 同样可能包含敏感信息，必须进入统一脱敏和用户预览流程，不能只检查截图与转写。

## 与现有能力的衔接

- 新增 `RecordedTaskBundle` 及版本化 schema，作为录制模块与 `/learn` 之间的稳定边界。
- 扩展 `LearnSourceKind`，增加 recording 类型及 provenance；复用现有状态机、staging、校验、diff、revision watcher 和 apply 流程。
- 录制素材先由代码转换成结构化 evidence block，再交给 learn host；时间对齐、脱敏、采样、生命周期和失败恢复不依赖 prompt 自觉。
- 生成结果继续遵守现有 `SKILL_AUTHORING_SPEC`，同时兼容 Claude Code 和 Codex customization scanner。
- SkillHub 继续作为生成后查看、编辑、验证、版本比较和发布的统一入口。

## MVP 范围

- Desktop 端；macOS 和 Windows 至少各完成一次真实流程验证。
- 单次录制生成或改进一个 Skill。
- 单窗口/整屏录制、可选麦克风、基础标注、暂停/继续/结束/取消。
- 转写 + 事件触发关键帧 + 指针/点击事件 + 步骤摘要，形成版本化 `RecordedTaskBundle`。
- Cindy Browser 优先提供 DOM / accessibility 富语义；其它桌面 App 保持视觉轨迹可用。
- 接入现有 `/learn` 审查与安装流程。
- 不做无提示的全局输入监听，不自动发布到 SkillHub，不自动执行生成的 Skill。

## 验收标准

- [ ] 用户可以从聊天 `+` 菜单或 SkillHub 启动「录制任务生成 Skill」。
- [ ] 开始前可选择窗口/屏幕和麦克风，录制期间始终有明显状态提示。
- [ ] 支持暂停、继续、取消、结束和基础屏幕标注，并为时长、文件大小和证据数量设置明确上限。
- [ ] 录制结果被转换为版本化 `RecordedTaskBundle`，语音、画面、标注和操作事件使用同一时间基准。
- [ ] 用户可以从时间线确认“这里 / 这个区域”等口述准确对应当时的关键帧、坐标和操作目标。
- [ ] 结束后可预览并裁剪录制范围，查看带时间戳转写、关键帧、事件和步骤摘要。
- [ ] Cindy Browser 录制能提供经脱敏的 DOM / accessibility 目标；不具备该能力的桌面 App 仍可通过视觉轨迹完成录制。
- [ ] 预处理按语义事件抽帧、去重并压缩轨迹，不把整段视频逐帧发送给蒸馏 agent。
- [ ] 用户确认素材后，通过现有 `/learn` 管线生成 Skill 提案，而非直接落盘。
- [ ] 能识别相近的已安装 Skill，并优先生成改进 diff，避免近似重复 Skill。
- [ ] 用户可查看完整文件 diff、敏感信息警告和本次使用的证据摘要，再决定应用或丢弃。
- [ ] 生成的 Skill 可被 Claude Code 和 Codex 发现，不包含 secret、私密截图或机器专属绝对路径。
- [ ] 提供建议测试用例，并允许根据试跑反馈继续修改同一提案。
- [ ] 原始媒体的保存、删除和异常恢复全部遵守 `cindy-media` 引用生命周期；取消/失败后无孤儿媒体或 staging。
- [ ] macOS / Windows 的屏幕录制和麦克风权限拒绝、权限撤销、设备不可用都有可理解的错误和恢复路径。

## 非目标

- 第一版不追求把任意像素级 UI 操作自动转换成稳定的跨应用 RPA。
- 不默认采集原始按键、剪贴板、密码或验证码。
- 不绕过用户审查直接安装、执行或发布生成的 Skill。

Start at the chat + menu, SkillHub, the existing /learn pipeline, RecordedTaskBundle boundary, and cindy-media lifecycle described in the issue. Trace how recording evidence would enter the existing review flow; done means the cross-platform MVP, consent and privacy safeguards, structured timeline, reviewable Skill proposal, and cleanup behavior meet the listed acceptance criteria.

Written by the indexing model from the issue text.