用 ffmpeg/ffprobe 从本地视频抽帧，把读帧交给一次性的视觉子代理，再综合成带时间戳的逐步 Markdown 摘要（时间线、关键时刻、叙述）。
给代码 agent 加视觉：截图转代码 / OCR / 报错诊断 / 图表与架构图理解（GLM-4.6V，智谱官方）。