核心用法
galdr 是一款面向 AI 代理的音乐感知 CLI 工具，核心工作流为 ARC（分析→组装→创作）。用户可通过 galdr fetch 从 YouTube 获取音频或直接使用 galdr listen 分析本地文件，生成时间序列化的听感追踪数据（pattern、attention、pulse、pressure、texture、harmony、melody、overtones、silence/re-entry 等 9 维指标），再通过 galdr assemble --template arc 组装成结构化提示词，供人工或模型撰写沉浸式聆听体验。
显著优点
1. 证据驱动的音乐分析：将主观听感锚定在可测量的音频结构上，避免空泛描述
2. 时间序列优先：强调按时间顺序「行走」曲目，而非直接跳到整体情绪总结
3. 丰富的输出模式：支持 full/lyrics/context/blind 四种模式，适应不同场景需求
4. 视频帧提取：可结合音乐视频在关键结构点提取画面，增强多模态分析
5. 开放的 CLI 设计：纯 Python 实现，支持 PyPI 安装和源码验证
潜在局限
- 依赖链复杂：需 yt-dlp、ffmpeg、可选 JavaScript 运行时，网络环境可能影响 YouTube 下载稳定性
- 学习曲线陡峭：需理解
pattern_breaks、pressure_balance等专有指标的含义 - 版权敏感：明确警告不可在无授权情况下下载受版权保护的音频
- 情感边界限制：框架主动禁止「用结构证明私人情感意图」的过度推断
适合人群
- 音乐评论写作者、播客制作人、音乐教育内容创作者
- 需要「结构化音乐分析」作为输入的 AI 应用开发者
- 对「可验证的主观体验」有方法论追求的研究者
常规风险
- 来源可信度：CLI 本身 MIT 开源，但 YouTube 下载环节依赖 yt-dlp，存在被平台策略限制的风险
- 模型幻觉约束：若直接将 ARC 提示词喂给外部模型，仍需人工审核，避免模型生成 unsupported 的情感断言
- 指标误读：如文档反复强调，LUFS 数值是证据而非 prose，直接引用会导致体验描写机械化