用途：让没有视频输入能力的 Claude 能“看”视频。用户给出视频 URL（YouTube、Vimeo、X、TikTok、Twitch 片段等 yt-dlp 支持的站点）或本地视频文件（.mp4、.mov、.mkv、.webm 等），技能会下载视频、抽帧并获取带时间戳的文字稿，供模型结合画面与语音内容作答。
主要能力：yt-dlp 下载视频并抓取原生字幕（免费、优先）；无字幕或本地文件时用 ffmpeg 提取单声道 16kHz 音频，上传到 Whisper API 转写，Groq（whisper-large-v3，默认优先，更便宜更快）或 OpenAI（whisper-1）。ffmpeg 按视频时长自动缩放抽帧，硬上限 100 帧、2 fps；可用 --start/--end 聚焦片段，此时帧率更密。
使用方式：先运行预检 python3 "${CLAUDE_SKILL_DIR}/scripts/setup.py" --check，退出码 0 表示就绪；非 0 时运行安装脚本 python3 "${CLAUDE_SKILL_DIR}/scripts/setup.py"（macOS 经 Homebrew 自动装 ffmpeg 与 yt-dlp，Linux/Windows 打印安装命令），并生成 ~/.config/watch/.env（0600 权限）存放 API 密钥。随后执行 python3 "${CLAUDE_SKILL_DIR}/scripts/watch.py" "<source>"，可选参数包括 --start/--end、--max-frames、--resolution、--fps、--out-dir、--whisper groq|openai、--no-whisper。脚本输出帧路径后逐一读取，再结合文字稿回答。
适用场景：询问视频某段内容、总结结构与关键画面、定位具体时间点（如“2:30 发生了什么”）。建议 10 分钟以内视频效果最佳，长视频宜用 --start/--end 聚焦。
限制：帧数越多 token 消耗越大（80 帧 512px 约 50–80k 图像 token，--resolution 1024 约翻四倍）；无字幕且未配置 Whisper 密钥时只能返回帧；下载失败（需登录或区域限制）不会重试；Whisper 上传有 25MB 限制。技能不上传视频本身、不访问平台账号、不记录密钥，工作目录需自行清理。首次使用前建议审阅脚本。