核心用法
galdr 是一款面向 AI 代理的音乐感知分析 CLI 工具，核心工作流为 ARC（Analyze → Assemble）：首先将音轨分析为时间顺序的 listener-state 追踪数据，再将这些数据组装成结构化的聆听体验提示。
主要入口：
galdr fetch <YouTube URL> --analyze：抓取 YouTube 音频并自动分析galdr listen <本地文件> --name <slug>：分析本地音频文件galdr assemble <slug> --template arc --mode full：生成最终提示
关键指标维度： pattern（模式锁定）、attention（注意力）、pulse（脉冲）、heard pressure（感知压力）、surface balance/evidence（表面平衡/证据）、harmony（和谐度）、melody（旋律）、overtones（泛音）、silence/re-entry（静音/重返结构）。
显著优点
1. 证据驱动的聆听写作：将抽象的音乐体验转化为可量化的时间序列数据，避免主观臆断
2. 结构化输出：ARC 模板提供一致的格式规范（第一人称、现在时、时间戳标记关键转折点、翻译而非引用指标）
3. 多源支持：同时支持 YouTube URL 和本地音频文件
4. 丰富的比较功能：galdr compare 支持双轨结构对比
5. 视频帧提取：galdr frames 可在结构关键时刻提取音乐视频帧
6. 健康诊断：galdr doctor 和 update-deps 确保依赖环境可靠
潜在局限
1. CLI 与 Skill 分离：安装 skill 不会自动安装 galdr CLI，需手动从 PyPI 或源码安装
2. 版权敏感：明确禁止在无适当权利的情况下下载受版权保护的音频
3. 非情感解读工具：不能用于推断创作者的私人情感意图
4. 依赖链复杂：依赖 yt-dlp、ffmpeg、JavaScript 运行时等外部组件，可能出现兼容性问题
5. 输出长度固定：约 800 字的规范输出可能不适合需要极度精简或极度详尽的用例
适合人群
- 音乐评论家、乐评撰稿人：需要结构化证据支持深度分析
- AI 内容创作者：需要为其他模型生成 grounded 的音乐描述提示
- 音乐研究者：进行跨曲目结构比较
- 音乐视频分析师：需要结合音频结构与视觉帧的同步分析
- OpenClaw 代理开发者：需要标准化的音乐感知工作流
常规风险
- 版权合规风险：工具本身不验证下载权限，操作者需自行确保合法使用场景
- 依赖安全风险：需从可信源（PyPI 官方或 GitHub 源码）安装，建议验证元数据
- 过度解读风险：文档明确警告不要将结构指标等同于情感确定性
- 模型输出审查：将 ARC 提示发送至外部模型（如 Claude）前需人工审核内容
- 指标误读风险：如直接引用 LUFS 数值而非翻译为"压力前进/保持/释放"等体验语言，会破坏输出质量