视频视觉分析

拿到一段产品演示或界面走查视频，最头疼的是：能用的信息都藏在画面里，但很难快速变成可复用的设计资产。散落在几十秒画面中的布局比例、卡片圆角、色彩规范、功能模块，靠逐帧截图与肉眼比对，既慢又容易漏。视频视觉分析 技能把这件事拆成可自动化的流程：抽帧、多轮视觉分析、结构化输出。

核心能力

• 用 ffprobe 先摸清视频底细：时长、分辨率、帧率、编码格式。
• 调用技能自带的 extract_keyframes.py 抽取关键帧，跳过开头结尾各 2 秒，按时间线均匀铺开。
• 把帧分批交给 read_image 做多轮视觉分析，每轮聚焦不同维度。
• 汇总为结构化 Markdown 报告，同时保留 _s.jpg 关键帧文件备查。

工作流程

• 第一步：获取视频信息。 通过 ffprobe 输出 JSON，解析出 duration、width、height、r_frame_rate，为抽帧策略提供依据。
• 第二步：抽取关键帧。 运行 extract_keyframes.py，常用参数包括 --input（输入视频）、--output（输出目录）、--count（帧数，默认 12，建议 8～15）、--prefix（文件名前缀）。对 3 分钟左右的视频抽 12～15 帧，帧在时间线上均匀分布，自动跳过开头与结尾各 2 秒。
• 第三步：视觉模型多轮分析。 帧按每批 2～3 张送入 read_image。

- 第一轮整体概览：关注布局结构、主色与辅助色（尽量给出色值）、功能模块划分、导航结构、字体风格，以及画面中的可见文字。
- 第二轮组件细节：抠卡片边框、阴影、按钮、输入框、弹窗、标签、进度条、字号层级、间距留白等样式。
- 第三轮（按需）特定页面/功能：围绕用户关注点定制 query，例如交互流程、表单字段、数据展示方式。

• 第四步：综合输出。 把多轮结果整合为报告，保留关键帧图片路径，方便回溯对照。

适用边界与注意点

• 依赖本地 ffmpeg/ffprobe；未安装时会给出提示。
• 视频过短（<5 秒）时，减少帧数到 3～5 帧直接抽取。
• 视频格式不被识别时，建议先转码为 mp4 再试。
• 抽帧失败时，可尝试不同时间点或提高抽取数量；分析不清晰时，可换角度重试或放大局部区域。
• 支持用户指定时间点抽帧，替代默认的均匀分布策略。