初始化提交：contentm_agent 工作区全量快照

内容分四块：
1、产品规划产出 —— MCN 短视频整合营销工作台的①段五份（1a 需求／1b 竞品／1c 画像／1d 策略／1e 场景）、②段两份（2a 功能／2b 布局）、③段界面（DESIGN.md 契约与令牌表 ＋ mcn-workbench.html 原型 ＋ 实测/会诊/审查三份 ＋ 23 张闸门截图）。
2、开源竞品调研 —— 5 个内容工作台项目的取证原始件与 1b 系列分析文档。
3、参考资料 —— 竞品视频抽帧 1145 张 ＋ 2 个源视频 ＋ 功能点截图。
4、机制侧 —— 协作脚本与状态台账、工作区记忆日志、抽帧/OCR 脚本。

.gitignore 只排运行时日志、脚本备份副本与一次性探针输出，其余按原样入库。

ocr_subs.py

@@ -0,0 +1,98 @@
+# -*- coding: utf-8 -*-
+"""对关键帧字幕区做 OCR，按时间整理成字幕文档。
+依赖：rapidocr-onnxruntime（中文 OCR）。复用 cluster_subs 的字幕区二值哈希聚类，只 OCR 代表帧。
+用法：python ocr_subs.py --frames <frames目录> --video <源视频名/说明> --out <输出.md> [--thresh 25] [--crop 0.15]
+"""
+import argparse, glob, os, re, sys, difflib
+import numpy as np
+from PIL import Image
+
+sys.path.insert(0, os.path.dirname(os.path.abspath(__file__)))
+from cluster_subs import bin_hash, hamming, crop_subtitle, ts_from_name
+
+
+def fmt_ts(t):
+    m = int(t // 60); s = t - m * 60
+    return "%02d:%06.3f" % (m, s)
+
+
+def main():
+    ap = argparse.ArgumentParser()
+    ap.add_argument("--frames", required=True)
+    ap.add_argument("--video", required=True, help="源视频说明（写入文档头）")
+    ap.add_argument("--out", required=True)
+    ap.add_argument("--thresh", type=int, default=25)
+    ap.add_argument("--crop", type=float, default=0.15)
+    args = ap.parse_args()
+
+    from rapidocr_onnxruntime import RapidOCR
+    engine = RapidOCR()
+
+    files = sorted(glob.glob(os.path.join(args.frames, "*.jpg")))
+    print("总帧数: %d" % len(files))
+
+    # 聚类取代表帧
+    clusters = []
+    for f in files:
+        sub = crop_subtitle(Image.open(f), args.crop)
+        hsh = bin_hash(sub)
+        best, bestd = None, 999
+        for ci, c in enumerate(clusters):
+            d = hamming(hsh, c["hash"])
+            if d < bestd:
+                bestd, best = d, ci
+        ts = ts_from_name(os.path.basename(f))
+        if best is not None and bestd <= args.thresh:
+            clusters[best]["items"].append((f, ts))
+        else:
+            clusters.append({"hash": hsh, "items": [(f, ts)]})
+    reps = []
+    for c in clusters:
+        it = sorted(c["items"], key=lambda x: x[1])
+        mid = it[len(it) // 2]
+        reps.append((mid[0], mid[1]))
+    reps.sort(key=lambda x: x[1])
+    print("代表帧(待 OCR): %d" % len(reps))
+
+    lines = []
+    for f, ts in reps:
+        sub = crop_subtitle(Image.open(f), args.crop)
+        sub = sub.resize((sub.width * 2, sub.height * 2), Image.LANCZOS)
+        res = engine(np.array(sub))
+        if not res or not res[0]:
+            continue
+        txt = " ".join([t[1] for t in res[0] if t[1].strip()]).strip()
+        txt = re.sub(r"\s+", " ", txt)
+        if not txt:
+            continue
+        # 丢弃纯符号/数字垃圾行（几乎无中文字符）
+        cjk = len(re.findall(r"[一-鿿]", txt))
+        if cjk < 2:
+            continue
+        lines.append((ts, txt))
+
+    # 模糊合并连续近重复句（OCR 抖动导致同句多版本）
+    def sim(a, b):
+        return difflib.SequenceMatcher(None, a, b).ratio()
+
+    merged = []
+    for ts, txt in lines:
+        if merged and sim(txt, merged[-1][1]) >= 0.82:
+            # 保留更长更完整的一句，时间取最早
+            if len(txt) > len(merged[-1][1]):
+                merged[-1] = (merged[-1][0], txt)
+            continue
+        merged.append((ts, txt))
+    lines = merged
+
+    with open(args.out, "w", encoding="utf-8") as fo:
+        fo.write("# 字幕文档（关键帧 OCR）\n\n")
+        fo.write("源视频：%s\n\n" % args.video)
+        fo.write("> 说明：视频无独立字幕轨，本字幕由关键帧画面字幕区 OCR 提取，按出现时间排序；连续近重复句（相似度≥0.82）已合并、纯符号垃圾行已剔除。\n\n")
+        for ts, txt in lines:
+            fo.write("- [%s] %s\n" % (fmt_ts(ts), txt))
+    print("已写出 %d 条字幕 → %s" % (len(lines), args.out))
+
+
+if __name__ == "__main__":
+    main()