通用 AI 视频理解

要解决什么问题

很多 Agent 只能根据标题、简介或用户口述来「谈」视频，无法核对画面里发生了什么、口播具体说了什么。做爆款拆解、录屏排错、要点摘要或口播稿提取时，缺少画面 + 语音两条证据链，结论容易飘。

技能如何工作

本 skill 不绑定特定平台，前提是 Agent 具备 Bash 与多模态 Read。

1. 确认视频源：本地绝对路径，或有权访问的 URL（URL 需 yt-dlp）。
2. 运行 watch.py：用 ffmpeg 抽帧、Groq Whisper（GROQ_API_KEY 写在 ~/.config/watch/.env）转写；支持 --start/--end 分段、--detail transcript 只要字幕、--timestamps 定点抓帧、--resolution 调高读屏文字。
3. 读 stdout 报告：含 ## Frames（帧路径与时间戳）与 ## Transcript（时间轴文本）。
4. 用 Read 逐张读帧——不能跳过；再综合字幕按需求输出：结构拆解、bug 定位、要点清单、脚本提取或选题角度。

脚本链为纯 Python（yt-dlp + ffmpeg + Whisper API），随 skill 打包在 scripts/，视频在本机处理；Groq 仅上传 mono 16kHz 音轨用于转写。

边界与注意

• URL 下载依赖出网与 yt-dlp；抖音、TikTok、X 等常需 cookie，失败时应改走本地文件，本地模式无需 cookie。
• 抽帧有上限（如 balanced 约 100 帧），长片请分段；图像 token 随帧数与 --resolution 陡增，同一会话勿重复跑同一视频的脚本。
• 不代下明显侵权内容；勿把 API key 写入会外泄的日志或记忆。