用途：把视频当成可阅读对象，支持本地文件或 URL、短片或长片、有无语音。核心做法是先跑三个脚本，再由模型综合理解。
主要能力：index.py 做一次廉价扫描，输出每个镜头的运动、光线、最清晰时刻、响度峰值、静默段，加 --ocr 可提取屏幕文字。frames.py 按镜头出帧，每个镜头必有一帧并带时间戳标签，拼成网格图；长镜头额外补帧。transcript.py 生成带时间戳转录，默认 ElevenLabs。另有 cull.py 从多片段中排序选材，text_check.py 筛查画面内嵌文字。
使用方式：先确定 SKILL_DIR，命令形如 python3 "$SKILL_DIR/scripts/index.py" "<video>" --out-dir <work-dir> [--ocr]。URL 先用 yt-dlp 下载再传本地文件。有语音时必须做转录，否则容易得出自信但错误的总结；无语音时可用 --ocr 承接文字。按问题选 --cells：16 用于小字，36 表情动作，64 剧情默认，100 仅粗看。可用 --start/--end 聚焦某段，zoom 而非重读单帧。转录应后台先跑，与建网格并行。
限制：无法判断连续运动曲线（缓动、速度、回弹）；时间戳精度受采样帧限制，非精确剪辑点；听不到或画面外内容无法回答。OCR 需要 macOS + swiftc 或 tesseract，ffmpeg 与 ffprobe 需在 PATH。转录源失败时会非零退出，此时应只依据帧作答，不可编造台词。费用、价格等未提供。