核心用法
galdr 是一款面向 AI 代理的音乐感知 CLI 工具，采用 ARC 工作流（Analyze → Assemble → Compose）将音频转化为基于证据的听感体验描述。其核心流程为：
1. 获取音频：通过 galdr fetch 从 YouTube 下载或 galdr listen 分析本地文件
2. 结构分析：提取 9 维听众状态追踪数据——pattern（节奏锁定）、attention（注意力）、pulse（脉冲）、heard pressure（听觉压力）、surface balance（表面平衡）、harmony/melody/overtones（和声/旋律/泛音）、silence/re-entry（静默/重返结构）
3. 生成提示：使用 galdr assemble --template arc 组合成结构化提示词，支持多种阅读透镜（sound/dancefloor/meaning/structure/classical/ritual）和输出模式（full/blind/lyrics/context）
显著优点
- 证据驱动：所有听感描述均基于可量化的声学指标（如 LUFS 压力场、pattern_breaks 分布、silence 深度），避免主观臆断
- 时间优先：强制按时间顺序遍历音轨，标记关键转折点（静默、重返、节奏断裂、注意力跃迁），再向上压缩为整体解读
- 多模态支持：支持视频帧提取（
galdr frames）、歌词获取与审查、背景信息自动抓取 - 代理原生设计：输出为可直接喂给其他模型（Claude、llm 等）的标准化提示词，也可由代理自行撰写体验文本
- 开源可信：MIT 协议，源码与 PyPI 分发独立验证
潜在局限与风险
- 依赖链复杂：需要 yt-dlp、ffmpeg/ffprobe、JavaScript 运行时，且 YouTube 下载行为可能因平台反爬而波动
- 版权边界：明确禁止无授权下载版权音频，用户需自行确保合规
- 非情感读心：工具警告"不要声称结构指标能证明私人情感意图"，体验文本需严守证据边界
- 学习曲线：PERCEPTION-MODEL.md 和流式 JSON 结构需要一定学习时间，非即开即用
适合人群
- 音乐评论家、音频内容创作者、AI 代理开发者
- 需要结构化音乐分析而非泛泛推荐的用户
- 研究听感现象学、声学生态学的学术或艺术工作者
- 希望用可验证证据支撑主观听感的写作者
常规风险
- 数据隐私：分析本地文件时音频数据完全本地处理，但 YouTube fetch 会暴露 IP 至 Google 服务器
- 模型幻觉：若跳过
--template arc直接使用原始指标，代理可能误读数字为情感陈述 - 依赖失效：yt-dlp 需随 YouTube 前端更新而更新，维护成本存在
版本与来源
galdr v0.6.0 由 Sellemain 开发，通过 OpenClaw 技能系统分发（openclaw skills install galdr），运行时 CLI 需独立通过 PyPI 或源码安装。