用途：让没有视频输入的智能体获得视频输入能力，可处理 URL、直播流或本地路径的视频，并基于帧、OCR 与转录内容回答问题或做总结。它是 watch-skill CLI 的薄封装，逻辑都在引擎中，因此在 Claude Code、Codex、Cursor 等平台上表现一致。
主要能力：首次调用需先运行 watch-skill doctor --json 做预检，退出码为 0 则静默继续；非 0 时 JSON 会列明失败项与修复方法，doctor 可在 Windows/macOS/Linux 自动引导安装 ffmpeg 与 yt-dlp。若 watch-skill 不在 PATH，可用 pip install watch-skill 或 uv tool install watch-skill 安装后重跑 doctor。采集、转录、OCR、索引与搜索均无需 API key，转录回退到本地 faster-whisper。支持 1800+ 个 yt-dlp 支持的站点、直链媒体、HLS/DASH 清单（--duration 60 可界定直播流）和本地文件。
使用方式：watch-skill watch "<source>" [--start T --end T] [--max-frames N] [--transcript-only]。--start/--end 支持 SS、MM:SS、HH:MM:SS，用于对某窗口密集采样；--timestamps 可在转录标记的时刻固定帧；--transcript-only 跳过帧（最快，有字幕时不下载视频）；--max-frames N 收紧 token 预算（默认按时长分级，硬上限 100，最高 2 fps）。报告会打印 Indexed: video_id 行、带时间戳的帧、OCR 文本和转录。随后应一次并行读取报告中列出的所有帧路径，再结合帧、OCR、转录并引用时间戳作答。
追问可复用索引：watch-skill ask <video_id> "<question>"，watch-skill search "<phrase>" 可跨所有看过的视频搜索。ask 以文本优先回答，带时间戳证据、置信度和节省 token 数，不确定时会自动升级（密集重采样、缩放裁剪重新 OCR），并会在视频看不明时明确拒绝——不应越过该拒绝编造答案。用户纠正答案时，可用 watch-skill lessons add <video_id> "<question>" "<wrong answer>" "<correction>" 本地记录。
THE LOOP 用于迭代自身输出：watch-skill loop start "url-or-screen:-or-file" "<pass criteria>" [--script '<json steps>']，随后改代码，再 watch-skill loop iterate <loop_id>。critique 返回带时间戳的结构化问题与修复建议，循环只观察，代码由用户修改，通过后渲染前后对比 MP4+GIF。watch-skill capture "<target>" 只录制不评审。
限制与安全：视频文件永不离开本机；仅当显式使用 --cloud-stt 时才会把提取的单声道 16kHz 音频上传到云端 STT。不使用 cookie 和登录，只请求公开数据；API key 存于环境变量或 .env，不会被记录或回显；下载缓存位于 ~/.watch-skill/cache，按 LRU 且有大小上限。云 STT 为可选项，视觉合成与验证可使用用户已有的 Anthropic、OpenAI、Gemini 或 OpenRouter key，或可选的本地 Ollama 模型。除上述资料外，其他细节暂未提供。