用途：为没有视频输入能力的 AI 补充“看视频”能力。用户给出的 YouTube 链接、TikTok、讲座、会议录像、屏幕录制或本地 .mp4 都走同一处理流程。
主要能力：按场景抽取并去重帧、OCR 文字识别、转录（优先字幕，离线时本地 Whisper 兜底），结果统一持久化到一个索引，支持后续检索与提问。
使用方式：开始前先检查索引，运行 watch-skill list；若视频已分析过则不要重复观看，改用 watch-skill ask <video_id> "<question>" 直接提问。处理单个视频用 watch-skill watch "<url-or-path>"，可选参数 --start T --end T、--max-frames N、--transcript-only；支持 yt-dlp 兼容站点（1800+）、直链媒体、HLS/DASH 清单（--duration 60 可限定直播流）及本地文件。视频超过约 10 分钟且只关心某段时，用 --start/--end 对该区间密集采样；只需文字内容时用 --transcript-only 最快，往往无需下载视频。报告会输出 Indexed: <video_id>、带 t=MM:SS 时间戳的帧、OCR 文本和转录，应读取列出的每个帧路径后再结合帧、OCR 与转录回答并标注时间戳。处理播放列表、频道或文件夹用 watch-skill batch "<playlist-url-or-folder>"，可加 --limit N，全部进入同一索引，单个视频损坏不影响其余；之后用 watch-skill search "<phrase>" 跨整批检索。
限制与注意：首次在某台机器运行若命令因依赖报错，运行一次 watch-skill doctor 自动安装缺失的 ffmpeg/yt-dlp；全程无需 API 密钥，默认本地转录，视频文件不离开本机。其它未在此资料中说明的细节暂未提供。