视觉摘要智述

解决的问题

视频和图片通常包含主体、动作、背景和文字线索，但人工整理成自然语言描述成本较高。visual-summary-analysis 把这种视觉内容理解任务脚本化：给定本地图片或视频文件、公网 URL，输出连贯的场景摘要，并支持从云端查询历史摘要报告。

技能如何工作

• 输入：支持 jpg/jpeg/png/mp4/avi/mov，最大 10MB；建议视频片段不超过 5 分钟，主体清晰且不被大面积遮挡。
• 分析：通过技能内置脚本 scripts.visual_summary_analysis 调用 API，识别场景内容、物体、行为与文字，再整合成中文描述。
• 查询：历史报告只能通过 --list 从云端接口读取，并以 Markdown 表格输出；不能依赖本地 memory 或长期记忆。
• 身份：系统内部自动处理身份关联，不对用户展示、询问或要求输入内部身份参数。

适用边界

该技能适合视频内容理解、无障碍辅助和媒体资产管理中的摘要生成。若输入模糊、片段过长、主体被遮挡，或需要非 10MB 大文件与私有内网地址，结果可能不稳定；处理 URL 时应使用 API 可访问的公网地址。