Watch (Video Ingestion)

给 Claude 一个视频输入:从 YouTube、Instagram、X、Vimeo、TikTok 或 yt-dlp 支持的约 1800 个站点(或本地文件)下载,用 ffmpeg 抽取自适应缩放的帧,并从字幕或本地 whisper 取得带时间戳的转写——然后回答与视频内容相关的问题。

把 yt-dlp、ffmpeg 与本地 mlx-whisper 回退串成一条流水线,让 agent 无需任何 API key 即可结合画面帧与转写进行推理。