前言¶
给 Agent 一个视频文件，它通常只能当成一串二进制：读不出画面，也听不出声音。结果是所有跟视频相关的活儿都得人来做——拖进度条找某个时间点、逐句抄口播稿、反复看录屏找 bug、凭印象拆爆款结构。重复、耗时，而且很难复现。
video-understand 这个 Skill 做的事，是把”抽帧 + 语音转写 + 多模态读帧”这几件原本分散的动作打包成一条流水线，让 Agent 自己产出结构化的视频理解。下面介绍它的能力边界、安装启用方式，以及能用在哪些场景。
这是什么¶
video-understand 是一个面向 Agent 的视频理解 Skill，用多模态方式处理视频：先抽帧拿到画面，再把语音转写成文本，最后结合两者综合输出理解结果。它解决的问题是：让 Agent 具备”看视频”的能力，而不是把视频当附件跳过。
出品与维护信息如下：
- 名称：video-understand 通用 AI 视频理解
- 坐标：@user_d0c0b7f4/video-understand-skill
- 版本：1.2.1
- 来源：community（社区发布，非官方团队出品）
- 分类：content-creation
- 发布者：user_d0c0b7f4
- SkillHub 评分：100000，下载 991，安装 0
- 标签：requires_api_key=true（需要 API Key）
也就是说，它属于社区维护的内容创作类 Skill，使用前要先准备好对应的 API Key。
核心功能¶
从官方简介看，能力来自三路输入的合并：抽帧拿画面、语音转写拿台词、多模态模型读帧拿细节。综合之后的产出覆盖下面几类：
1、拆爆款结构——把一个视频的叙事节奏、分段方式拆出来，供内容创作参考。
2、找 bug——针对录屏或演示类视频，定位问题出现的位置和原因。
3、总结要点——对整个视频做内容摘要。
4、时间戳定位——把某个事件或某句话对应到具体时间点，不用再手工拖进度条。
5、提取口播稿——把视频里的语音转写并整理成可复用的文案。
触发词是这些能力的入口，官方给出的词包括：读懂视频、看视频、分析视频、拆爆款、看录屏、视频理解、这个视频讲啥。在支持的 Agent 里直接说其中任一个，加上视频文件路径，就能把任务交给这个 Skill。
适配范围写的是所有同时支持 Bash 和多模态 Read 的 agent，明确点名的有 WorkBuddy、Codex、Cursor、Trae、Claude Code、Gemini CLI 等。
安装与启用¶
资料中没有给出具体的安装命令，只有坐标和来源信息。下面这段是可核对的元数据：
名称: video-understand 通用 AI 视频理解
坐标: @user_d0c0b7f4/video-understand-skill
版本: 1.2.1
来源: community
分类: content-creation
标签: requires_api_key=true
启用时有两点要先确认：
1、API Key。标签 requires_api_key=true 说明这个 Skill 依赖外部模型或转写服务，必须先把 Key 配到 Agent 的环境变量或配置里，否则运行时会失败。资料没有说明具体字段名，需要到官方页面核对。
2、Agent 能力。宿主 Agent 必须同时支持 Bash（用来跑抽帧、转写这类命令）和多模态 Read（用来把帧喂给模型）。只有文本能力的 Agent 用不了。
需要说明的是，撰写本文时尝试抓取官方页面（https://api.skillhub.cn/user_d0c0b7f4/video-understand-skill 与 https://www.skillhub.cn/skills/user_d0c0b7f4/video-understand-skill）均失败，因此本文没有写入任何未经核实的安装命令、目录路径或配置项。安装前请以官方页面为准。
典型用法¶
官方简介给出的用法是自然语言触发：把视频路径交给 Agent，用触发词说明要什么结果。可复现的最小示例是下面这种形式：
帮我分析这个视频：/path/to/video.mp4
看录屏，找这个视频里的 bug：/path/to/demo.mov
拆爆款：/path/to/viral.mp4
这个视频讲啥？/path/to/talk.mp4
对应的期望产出分别是内容分析、问题定位、结构拆解和要点总结。实际输出质量取决于视频清晰度、是否有可辨识的语音，以及所配置模型的多模态能力。
适用场景与注意¶
适合的人大致三类：
1、内容创作者。需要快速拆爆款结构、提取口播稿，把参考视频变成可复用的文本素材。
2、开发和测试。面对录屏型 bug 报告或操作演示，需要定位到具体时间点的问题。
3、需要给视频做摘要的人。会议录像、课程回放这类长视频，靠它先拿到要点和时间戳，再决定看哪里。
限制和坑也要说清楚：
1、需要 API Key，且资料未给出配置细节，配不通时要先排查这一步。
2、来源是 community，不是官方团队维护，能力边界和后续更新看发布者。当前资料里安装数为 0、下载 991，属于早期使用阶段，踩坑时缺少大量公开经验可以参考。
3、它依赖抽帧和语音转写，纯画面无语音、或语音不清晰的视频，转写这一步基本拿不到内容。
4、本次未能核实安装命令与完整文档，任何关于目录结构、依赖工具的说法都应视为未经验证。
结尾¶
video-understand 的价值在于把”看视频”这件事从人工拖进度条，变成 Agent 可执行的一条流水线：抽帧、转写、读帧，再输出结构拆解、要点、时间戳或口播稿。适合需要批量处理视频素材的内容创作者和需要定位录屏问题的开发者。鉴于它是社区来源且需要 API Key，接入前先核对官方页面的安装说明。
官方地址：https://api.skillhub.cn/user_d0c0b7f4/video-understand-skill
SkillHub 页面：https://www.skillhub.cn/skills/user_d0c0b7f4/video-understand-skill
