用途：把视频链接或本地文件处理成带时间戳的纯 Markdown 多模态转录稿（multimodal_transcript.md），供下游技能（如 Cangjie Skill）仅以文本方式消费。流程为：获取视频与平台字幕→使用可用的定时平台字幕，否则云端 ASR→选择关键帧/整段视频/Agent 片段→预览并确认每次云端载荷→豆包图像或原生视频理解→输出带时间戳 Markdown。
依赖：Python 3.10+、ffmpeg、ffprobe、yt-dlp（Bilibili、YouTube、小红书及部分平台回退）。可选：SILICONFLOW_API_KEY（云端 ASR）、本地 whisper CLI（离线 ASR）、ARK_API_KEY（豆包视觉理解）、Playwright（微信视频号首次交互授权）。macOS 安装：brew install ffmpeg yt-dlp；python3 -m pip install playwright。
用法示例：python3 scripts/download_video.py "https://www.youtube.com/watch?v=..." --output-dir ./downloads --asr auto --vision auto --vision-mode agent-clips --profile knowledge。本地文件可加 --local-caption、--local-author。仅下载平台文本与元数据用 --metadata-only。可用 --asr none、--vision none 跳过相应轨道。视觉模式三选一：keyframes（混合场景/间隔 JPEG 关键帧，token 与成本最低，可能漏掉运动与未采样信息）、full-video（压缩 720p 视频，按最长 10 分钟分块，覆盖完整源，输入更多且压缩可能丢失小字）、agent-clips（推荐，先文本选段再切有界 MP4 片段，需两阶段云端与可靠定时 ASR）。交互终端省略 --vision-mode 会弹出三选菜单；非交互运行省略会以退出码 2 结束。
限制与注意：云端 ASR 约 60 秒分块、最多四路并发；Agent 场景检测以 384px/4fps 运行并缓存，仅作粗选辅助。原生视频并发默认 4，片段最高 720p、12 编码 fps；提供方采样默认 0.5fps。Files API 单文件上限 512 MB，本实现完整视频代理本地安全上限 480 MB，超限停止而不自动拆分；URL 或 Base64 视频另有 50 MB 限制。未设过期时间的上传默认保留七天，技能尝试分析后立即删除，删除失败会报告。API 密钥不得写入仓库、日志或 Markdown，若曾泄露需在火山方舟轮换。600 秒为测试目标而非任意视频长度的承诺。资料未提供具体收费与价格信息。