Claude 终于能"看"视频了

最近有个做 AI 工具的朋友问我，Claude Code 能不能直接「看」视频？我以前也这么想过——你粘个视频链接过去，它只能靠标题猜，或者拉一份残缺的转写稿，屏幕上到底发生了什么，其实一无所知。

但今天这个项目，直接把「眼睛」塞给了 Claude。开源三个月，狂揽 1.2 万 Star，顺手把「AI 看视频」这件一直没人做好的事，做成了随手一行命令。

⭐ 1.2 万 Stars（1.2 万星）

📅 开源三个月，加速上涨

📋 MIT 协议，可商用

🔌 50+ 编码平台适配

01

PART

它是什么

WHAT IT DOES

它给 Claude 装了一个 /watch 指令。你丢一个视频链接或本地文件路径，再附一句问题，脚本会先抓字幕、按需下载、抽帧、转写，最后把每一帧当成图片 Read 给 Claude。等它开口回答的时候，是真的「看」过了，而不是「根据标题推测」。

它能干的事，几个典型场景：

🔍 拆解别人的内容

「这个爆款视频开头用了什么钩子？」Claude 看前几帧、读开场转写，把结构拆给你。

🐛 从录屏里找 bug

别人发来一段出问题的录屏，「哪里不对？」它看到出问题的那一帧，往往直接点出原因。

📝 总结 / 去水分

长视频一键总结，或把发布会视频里的实质更新从十分钟铺垫里捞出来。

📚 播单转笔记

跑完一整季，每集一份摘要，频道或课程变成可检索的笔记。

02

PART

项目特点

FEATURES

帧预算

按时长自动决定抽多少帧。30 秒约 30 帧，10 分钟以上封顶 100 帧并提示「sparse scan」，让你改用聚焦模式。烧的是真金白银的 context，这步替你省太多。

帧去重

录屏里一页 PPT 停 90 秒，会抽出一堆几乎一样的帧，每一帧都算钱。它用 16×16 灰度缩略图算平均绝对差，低于 2.0 直接丢，纯标准库实现，不依赖任何图像库。

四档 detail 模式

transcript

只取字幕，约 4.5 秒零下载

efficient

关键帧，约 0.5 秒，快约 40 倍

balanced

场景感知，封顶 100 帧

token-burner

不封顶，长视频也不漏

聚焦模式

--start / --end 只盯某一段，单位时间帧密度更高、token 更省。比如「从第 2 分 15 秒到第 2 分 45 秒发生了什么」。

用完即清

脚本跑完打印工作目录，你不追问就自动删掉临时文件，不留一地鸡毛。

03

PART

能力对照与快速上手

CAPABILITY & SETUP

能力对照

快速上手

Claude Code 用户：

...bash

/plugin marketplace add bradautomates/claude-video

/plugin install watch@claude-video

Codex / Cursor / Copilot / Gemini CLI 等 50+ 平台：

...bash

npx skills add bradautomates/claude-video -g

用法：

...bash

/watch https://youtu.be/xxxx what happens at the 30 second mark?

/watch ~/Movies/screen-recording.mp4 when does the UI break?

/watch https://youtu.be/xxxx --start 2:15 --end 2:45

///

LAST

写在最后

CLOSING

Claude 能读网页、跑脚本、翻仓库，唯独「看视频」一直是个缺口。这个项目把那个缺口填上了，而且填得很克制——不贪多抽帧、知道什么时候该聚焦、知道怎么帮你省 token。1.2 万 Star、MIT 协议。如果你日常跟视频打交道，这一下是真的好用十倍。

项目地址：github.com/bradautomates/claude-video