正在打开每日关注
正在打开每日关注
通过字幕、转录与场景感知抽帧，让 Agent 从视频中提取可检索、可引用的信息。
这件事比多数人意识到的要大得多。大得多。 Claude Code 现在能“看”视频了。YouTube、Zoom 会议录像、Loom 录屏，贴一个链接进去，它自己看完，你继续忙你的。 一位 AI 开发者刚放出这个技能，核心机制很聪明： → 旧工具是粗暴地抽 100 帧，Claude 基本等于对着字幕盲猜 → 这个用的是 FFmpeg 场景检测——画面每次有变化才取一帧 → 字幕优先用 YouTube 原生免费字幕，Zoom/Loom 走 Whisper 兜底 → 分析完会主动问你要不要存入知识库 我准备把本周所有咨询会议录像全喂进去，等会议结束，行动项已经在第二大脑里等我了。 这意味着什么？ 你不需要再看完一个长视频才能提取价值。Agent 帮你看了，帮你总结了，帮你拆出关键帧了，把“看过”变成可检索、可引用的结构化信息。 竞品分析、课程笔记、bug 复现视频诊断、销售会议拆解——全是同一个动作：贴链接，问问题，拿结果。 安装指令： Claude Code 用户： /plugin marketplace add bradautomates/claude-video /plugin install watch@claude-video 其他 50+ 种 Agent 宿主（Codex、Cursor、Copilot、Gemini CLI 等）： npx skills add bradautomates/claude-video -g 仓库地址：https://t.co/2RxvMOAJoP 从“读文字”到“看视频”，这是 Agent 感知层的一次实质性跃升。
是什么
/watch 是 bradautomates/claude-video 的 Agent Skill/Claude Code 插件，让 Claude 接收视频 URL 或本地文件，先取字幕，再按需转录与抽帧，最后结合时间戳文本和图像回答问题。仓库以 Python 实现，标注 16436 Stars。
核心设计与亮点
管线采用“字幕优先、视觉补足”：yt-dlp 先取原生字幕；缺字幕时提取音频，回退到 Groq whisper-large-v3 或 OpenAI whisper-1。ffmpeg 做关键帧或场景检测，三种 detail 模式调节速度、覆盖率和成本，随后用缩略图差异去重，把帧路径、时间标记和转录交给 Claude Read。
关键洞察 字幕回答“说了什么”，画面回答“展示了什么”，时间戳负责绑定片段。会议行动项、竞品分析、课程笔记、录屏 Bug 诊断和销售会议拆解因此可以复用同一能力，把视频变成可提问、可引用的上下文。
边界与风险
它不是连续视频理解：长视频在 capped 模式会限帧，短暂变化可能漏掉；transcript 没有视觉信息，字幕准确性也有限。无字幕需 Whisper API，首次运行还要准备 yt-dlp 与 ffmpeg；帧和转录会消耗上下文，结果仍应回看原片核验。