用途：把视频或音频理解当作一层可按需调用的能力。模型接收一个目标，自行决定看什么、以什么速度、通过哪种模态（画面、音频、转写文本），只抓取需要的片段，产出时间戳、引语与置信度。
它不是视频编辑器，不负责剪切、叠加、烧字幕、渲染、排期、发布、发邮件或写CRM，这些交给调用方或其他工具处理。
适用场景：销售通话挖掘（买方异议、下一步、竞品提及）、短视频评分（找3秒独立钩子及其出入点）、长视频或播客研究（指定人物与对比时刻）、人才评估（Loom或试录中的达标证据）、客户审计（发现录音中某关键词的全部提及）。若已有干净转写文本、只需文本搜索，可跳过。
输入字段：source（必填，URL或本地媒体路径）、goal（必填，一句话检索目标）、keywords（可选，偏置检索的额外字符串）、max_moments（可选，默认5）、modality（可选，auto默认，或frames/audio/transcript）。
流程：先把目标改写为1至3条可证伪的检索查询；调用Gemini智能体视频理解（Gemini API或AI Studio），传入source、queries、max_moments与模态偏好；将结果规范化为输出结构，标注转述还是逐字，丢弃捏造的时间戳；最后交回调用方。
输出结构包含goal、source、moments数组（t_start、t_end、modality、quote、verbatim、why、confidence）、empty_reason、tokens_note。硬性要求：智能体路径可用时不得全量定帧读取；不得编造时间戳或引语；不得把完整转写或客户隐私写入公开产物；本技能不执行剪辑、渲染、叠加、排期、发布或发送。
配置：需要Gemini API密钥或Google AI Studio访问权限（https://ai.studio），环境变量为GEMINI_API_KEY或项目已有的Google AI凭据。供应商声称相比静态定帧全量读取可降低成本约66%、减少约88% token并提升准确率，具体效果以实际使用为准。