claude-video 是开发者 bradautomates 发布的开源 Agent Skill2026 年上线后迅速成为 GitHub Trending Python 榜单本周涨星最快的项目单周新增 7800 星核心能力是让 Claude 具备观看视频的能力——通过下载视频、抽取关键帧、生成时间戳转录文本再把这些素材交给 Claude 逐帧阅读从而基于画面和音频给出有依据的回答而不是仅凭标题或残缺字幕去猜测视频内容。项目采用/watch命令形式,支持 YouTube、TikTok、Loom、Vimeo 等平台链接及本地视频文件内置帧预算控制、场景感知抽帧、近重复帧去重和多档画质模式可在 Claude Code、Codex、Cursor 等 50 多种 Agent 宿主环境中安装使用。目前最新版本为 v0.2.02026-07-01 发布MIT 协议开源仓库总星数超过 7800。claude-video 是什么claude-video 是一个 Agent Skill智能体技能包本质上是一段 Python 脚本 一份SKILL.md说明文件的组合作用是补上 AI 编程助手长期缺失的一项能力直接看视频。此前 Claude 处理视频链接时只能依赖视频标题或不完整的字幕做推测画面里发生了什么完全是黑盒。claude-video 通过yt-dlp下载视频、ffmpeg抽取帧、字幕或 Whisper 转录音频把处理后的图片和文字一起交给 Claude 阅读让它的回答建立在看到的画面和听到的音频之上。项目在 GitHub Trending Python本周榜上以单周 4353 星的涨幅排名第一反映出开发者对给 AI 一双眼睛看视频这个需求的真实热度。核心功能与工作原理claude-video 的处理流程分六步接收视频与问题支持 URLYouTube、TikTok、Loom、X、Instagram 等 yt-dlp 支持的数百个站点或本地路径.mp4、.mov、.mkv、.webm优先读字幕yt-dlp先检查视频是否自带字幕transcript模式下命中字幕即可直接返回,不需要下载视频本体按需抽帧ffmpeg根据选定的 detail 档位抽取画面帧生成转录文本字幕缺失时脚本会截取音频单声道 16kHz、64kbps约 480KB/分钟送入 Whisper 转录帧与文本一起喂给 Claude脚本输出带时间戳的帧文件路径和转录文本Claude 并行读取每一帧图片清理处理完成后自动清理临时工作目录快速上手安装与调用Claude Code 安装推荐支持自动更新/plugin marketplaceaddbradautomates/claude-video /plugininstallwatchclaude-videoCodex / Cursor / Copilot / Gemini CLI 等 50 宿主环境安装npx skillsaddbradautomates/claude-video-g-g表示全局安装安装到用户级目录如~/.codex/skills跨项目可用去掉该参数则只安装到当前项目。首次运行/watch时脚本会自动检测本机是否装有ffmpeg和yt-dlpmacOS 上通过brew自动安装Linux/Windows 会打印对应的apt/dnf/winget安装命令。若视频没有现成字幕,还需要配置 Whisper API KeyGroq 或 OpenAI 二选一,配置文件写在~/.config/watch/.env。基本调用示例/watch https://youtu.be/dQw4w9WgXcQ30秒的地方发生了什么 /watch ~/Movies/screen-recording.mp4 界面是从哪里开始出问题的只看某个时间段更省 token/watch https://youtu.be/abc--start2:15--end2:45四种画质档位怎么选claude-video 提供--detail参数控制帧提取的精细度本质是在速度、token 成本和视觉还原度之间做权衡档位引擎帧数上限适用场景transcript无仅字幕0只关心讲了什么不关心画面细节efficient关键帧抽取50快速浏览抽取速度最快约 0.5 秒balanced场景切换检测100兼顾画面覆盖度和 token 成本token-burner场景切换检测不限需要完整还原每一次画面切换项目官方给出的实测数据针对一段 49 分 08 秒的 720p 视频efficient档位抽取仅耗时约 0.5 秒、产出约 9800 image tokensbalanced耗时约 20.9 秒、产出约 19700 tokenstoken-burner完整保留全部 116 次场景切换耗时约 21 秒、产出约 22800 tokens。日常排查问题或看长视频摘要efficient或balanced通常够用只有需要逐帧还原的场合才需要token-burner。帧去重为什么静态画面不会浪费 tokenscreen recording 场景中一张幻灯片可能停留 90 秒如果每一帧都单独计费,token 消耗会非常离谱。claude-video 默认开启去重逻辑用一次ffmpeg调用把每帧缩成 16×16 的灰度缩略图计算当前帧与上一张被保留的帧之间的平均像素亮度差异差异低于阈值默认 2.0则判定为近重复帧直接丢弃关键细节是比较对象是上一张被保留的帧而非上一帧这样才能捕捉到缓慢渐变但逐帧差异很小的画面变化。该逻辑可用--no-dedup关闭。典型使用场景拆解爆款视频结构/watch 视频链接 开头用了什么钩子分析同行内容的开场手法、节奏设计从录屏定位 Bug同事发来一段屏幕录制/watch bug-repro.mov 哪里出问题了Claude 直接定位到出错的那一帧并描述现象长视频快速摘要/watch 长视频 总结一下跳过逐帧看完的时间成本过滤营销话术/watch 发布会视频 真正的新功能是什么跳过营销话术把十分钟的划时代颠覆性过滤成几条实质更新常见问题claude-video 需要付费吗下载和读取自带字幕的视频完全免费只需要本地装好yt-dlp和ffmpeg。只有当视频没有字幕、需要走 Whisper 转录时才产生调用成本推荐用 Groq 的whisper-large-v3更便宜更快也支持 OpenAI 的whisper-1。支持哪些视频平台理论上支持yt-dlp支持的全部站点数百个常用的有 YouTube、TikTok、Loom、Vimeo、X、Instagram本地视频文件.mp4、.mov、.mkv、.webm同样支持。长视频会不会消耗特别多 token项目内置自动帧预算控制视频越长单位时间分配到的帧数越少比如 30 秒以内视频约给 30 帧10 分钟以上视频封顶约 100 帧配合去重逻辑避免在静态画面上浪费预算。如果只关心某个片段用--start/--end聚焦局部时间段是更省 token 的做法。能不能只要文字不要画面可以--detail transcript模式完全跳过抽帧只走字幕/转录文本是四档画质里成本最低的选项。参考资料与延伸阅读claude-video 的完整安装方式、参数说明和实测数据可查阅项目 GitHub 仓库v0.2.0MIT 协议。如果所在环境需要接入国内可直接访问的多模型服务来配合类似的音视频处理流程可以参考七牛云智能多媒体服务 Dora 的零运维音视频转码与智能识别方案。项目仍在快速迭代中帧预算算法和画质档位的具体参数可能随版本更新调整实际使用前建议以仓库最新 README 为准。