AIAI 工具图鉴
← 返回全部文章
·约 8 分钟PPT

watch-skill

技能插件Agent
下载 PPT下载视频

配套媒体

本页对应的 PPT 与演示视频

watch-skill-recommend.mp4
PPT
watch-skill-recommend.pptx浏览器不能直接打开 PPT，下载后用 PowerPoint / WPS / Keynote 查看
下载没反应？点这里复制直链

侧边栏预览窗口（Electron webview）会拦截下载，把下面的链接复制到 Chrome / Edge 地址栏打开即可保存。

PPT../../watch-skill-recommend.pptx
视频../../watch-skill-recommend.mp4
本文目录
  1. 🚀 什么是 watch-skill？
  2. ✨ 核心功能一览
  3. 🛠️ 快速上手：60 秒安装
  4. macOS / Linux
  5. Windows
  6. 📊 与竞品对比
  7. 💡 适用场景
  8. 场景 1：AI Agent 自我纠错（THE LOOP）
  9. 场景 2：跨视频智能检索
  10. 场景 3：从错误中学习（Lessons 系统）
  11. 用户群体总结
  12. 💰 定价方案
  13. 🎯 总结

📌 核心价值：给任何 AI Agent 装上"眼睛"——看视频、分析内容、自我修复，全本地离线运行

开源 watch-skill 让 Claude、Cursor 等 AI 智能体具备了观看视频、理解画面、搜索记忆、自我纠错的能力，一个 curl 命令就能安装。

封面图

🚀 什么是 watch-skill？

watch-skill 是一个开源的 MCP（Model Context Protocol）技能包，由开发者 Sayed Allam（oxbshw）创建。它的核心能力极其直接：让任何 AI Agent 具备观看视频的能力——不仅看，还要能理解、记忆、搜索、自我修复。

与市面上那些绑定特定平台、依赖云 API 的方案不同，watch-skill 一出手就是全本地离线优先的设计哲学：Whisper 转录、OCR 识别、向量嵌入全部在本地完成，甚至视觉分析都可以用 Ollama 跑本地模型。

核心定位：任何 Agent + 任何视频 + 本地离线 + 永久记忆 + 自我修复

✨ 核心功能一览

功能对比表

🛠️ 快速上手：60 秒安装

watch-skill 的安装简单到令人惊讶——一行命令搞定：

macOS / Linux

curl -fsSL https://raw.githubusercontent.com/oxbshw/watch-skill/main/scripts/install.sh | sh

Windows

powershell -ExecutionPolicy Bypass -c "irm https://raw.githubusercontent.com/oxbshw/watch-skill/main/scripts/install.ps1 | iex"

安装程序会自动引导 uv/Python、修复依赖（ffmpeg、yt-dlp、deno），然后你就可以开始使用了：

# 看视频 + 提问
watch-skill watch "https://youtu.be/..." "what happens in this video?"

# 追问（基于已建的持久化索引）
watch-skill ask <video_id> "when exactly does the demo crash?"

注意：支持 1800+ 网站、本地文件、屏幕录制、HLS/DASH 直播流，几乎覆盖所有视频来源

📊 与竞品对比

竞品对比表

💡 适用场景

场景 1：AI Agent 自我纠错（THE LOOP）

watch-skill 最惊艳的特性是 THE LOOP——让 Agent 观看自己操作的录屏，自动发现并修复 Bug。Agent 录制自身输出 → 结构化批评 → 修复代码 → 重新验证，并生成"修复前后对比"GIF 作为证明。

THE LOOP 演示

功能说明：Agent 在完成 UI 操作后，watch-skill 自动录制屏幕，分析操作结果是否与预期一致，发现差异后自动生成修复方案，重新运行验证，最后生成对比 GIF 作为可信证据。

适用场景：

  • Agent 开发 UI 自动化脚本时的自我验证
  • Claude Code / Cursor 生成代码后的自动化测试
  • 网页爬虫/自动化测试工具的防退化巡检

场景 2：跨视频智能检索

watch-skill 会对所有看过的视频建立持久化 SQLite 索引（FTS5 全文搜索 + ONNX 向量检索），支持跨视频搜索。

Token 节省统计

功能说明：传统的视频分析每次提问都要重新抽帧 + 注入上下文，浪费大量 Token。watch-skill 的"文本优先"策略只在需要时才真正去看帧。在开发机上，9 个回答节省了约 86,647 tokens。

适用场景：

  • 研究人员分析多段讲座/课程视频，跨视频检索特定知识点
  • 内容审核员在海量视频中搜索包含特定元素的内容
  • 产品经理分析用户录制的多段使用体验视频

场景 3：从错误中学习（Lessons 系统）

v0.6 引入的 report_mistake 功能改变了"AI 犯错就忘"的窘境——每次纠正都被转化为可回放的课程，Agent 会真正从中学习。

Lessons 系统演示

功能说明：当你发现 watch-skill 的回答有误，只需调用 report_mistake 提交纠正，系统会自动将其转化为分类课程，支持可回放评估，确保下次同类问题不再出错。

适用场景：

  • 需要高可靠性的 QA 自动化场景
  • 长时间运行的 Agent 持续改进自身认知
  • 团队共享 Agent 的知识沉淀

用户群体总结

  • ✅ Claude/Cursor 重度用户：让 Agent 分析视频教程、Bug 录屏，甚至自我修复代码
  • ✅ 内容创作者/研究人员：建立个人视频知识库，跨视频语义检索
  • ✅ QA 工程师：自动化 UI 测试 + 自我修复闭环
  • ✅ 多语言团队：支持阿拉伯语、CJK、西里尔文等多脚本 OCR
  • ❌ 不适合纯云端场景：本地优先设计，需要本地计算资源

💰 定价方案

完全 开源免费，MIT 协议。所有核心功能（视频获取 → 感知 → 索引 → 推理 → 修复）全部开源且可自托管。

唯一的成本是你自己的计算资源：

  • 8GB RAM 无 GPU 机器：10 秒视频全流程处理约 32.9 秒
  • Ollama 视觉模型：可选的零云调用方案
  • Token 节省：文本优先策略大幅降低 API 费用

开源协议： MIT

💡 新用户福利：开源免费，一行命令安装即用。无需注册、无需付费、无需 API Key

🎯 总结

watch-skill 不只是一个"Agent 看视频"的工具，它代表的是一种新的 Agent 能力范式：感知 + 记忆 + 自我进化。

  • 感知层：场景感知抽帧、多脚本 OCR、Whisper 转录
  • 记忆层：FTS5 + 向量混合检索，永久存储，跨视频搜索
  • 进化层：THE LOOP 自我修复 + Lessons 终身学习系统
  • 接口层：MCP / CLI / REST / Python SDK，兼容所有主流 Agent 平台

推荐指数： ⭐⭐⭐⭐⭐（满分5星）

适合人群： AI Agent 开发者、自动化测试工程师、研究人员、多语言内容分析团队

GitHub 仓库： oxbshw/watch-skill

数据截至 2026-07-11，最新信息请以 GitHub 仓库为准。