Deepseek V4 Flash Vision Video RAG — AI skill for Claude Code

DeepSeek V4-Flash Vision Video RAG

让 AI **真正"看懂"** 一段视频，然后你对它提问：它告诉你答案、答案发生在 **第几分几秒**，并切出那一段的**可播放片段**和关键帧给你核对。

基于 DeepSeek 视觉大模型 `deepseek-v4-flash-vision-exp` 的视频理解与问答 （video RAG）agent skill。先按时间轴抽帧阅读、建立索引（一次性），再对问题做 本地粗筛 → 视觉精排 → 深读回答；回答带 `[MM:SS]` 时间戳引用，自动生成 **自包含 HTML 预览页**（内嵌可播放片段 + 关键帧 + 答案），双击浏览器即看。

模型没有音频模态：一切理解基于画面，音轨会被忽略。

使用方法简单： 直接在 codex/workbuddy等下载，然后发送视频给 skill技能，命令完成理解视频 和回答各种问题则可以！

---

一、它能做什么

你说	它做
"帮我看看这段录像"	抽帧阅读全片，建立时间轴索引（一次性，30 秒视频约 30 秒）
"这段视频讲了什么？"	按时间顺序总结剧情/事件
"爆炸是几点几分发生的？"（00:15）	定位事件时刻 + 切出该时刻前后 5 秒可播放片段
"玩家瞄准有什么问题？"	深读 + 自动升级微观层（12fps 中心放大）逐帧分析动作
"画面里出现过哪些文字？"	帧级 OCR 汇总（招牌/字幕/HUD）
"给我看 00:07 那一帧"	高清渲染该时刻帧图

二、实测效果（两个自带 ground truth 的视频）

测试	结果
猫和老鼠 31.5s："猫为什么被炸？"	完整还原因果链：老鼠从 GLUE 罐刮胶水涂在炸药上→放到猫身边→猫点燃→爆炸。与人工确认的剧情一致
猫和老鼠："最后一幕猫什么状态？"	"被'种'在花盆里、头埋土中、顶着花、房子墙根草地上"——与 ground truth 吻合
CS2 27s："有几次击杀？"	3 次，与该仓库 coach_report.md 的人工结论一致；时刻 [00:03][00:13]（1fps 估计 ±2s）
CS2："瞄准细节有什么问题？"	微观层自动触发，输出逐帧动作链：敌人 1.67s 露头→2.50s 开火→2.58s 击杀，并给出预瞄偏移、无目标扫射、移动开枪、弹匣管理 4 项问题
索引速度	32 帧/26 秒、27 帧/30 秒（含上传与 2 次批量分析）
提问成本	常规 2 次调用；动作类问题 3 次（+微观）

三、工作原理（通俗版）

和 PDF 版同一个思想：**先读一遍做笔记，之后按笔记翻书**——只是"页"变成了 "时间段"，"页码"变成了"时间戳"。

第一阶段：看一遍视频，做卡片（ingest，一次性）

视频 ──ffmpeg 抽帧──> 按时间顺序的 JPEG 序列 ──上传──> DeepSeek 文件服务器
                                │
                                ↓
              视觉模型逐帧"观看"（25 帧/批，prompt 声明采样率与时间轴）
                                ↓
              index.json：每帧一张卡片 + 段卡片 + 场景切换时间点

第 2 秒的真实卡片：

{"t": 2.0, "scene": "室内鼠洞",
 "summary": "老鼠正伸手去够一个绿色胶水罐，罐子上写着GLUE，旁边有一根红色蜡烛。",
 "keywords": ["老鼠", "胶水", "GLUE"], "ocr": "GLUE",
 "event": "老鼠开始触碰胶水罐", "motion": "中"}

每帧 6 个字段：场景、画面摘要、关键词、可见文字（OCR）、相对前帧的事件、 **运动强度**。卡片按 30 秒一段聚合成"段卡片"，加上本地 ffmpeg 场景切换检测， 构成整个索引。**从此这段视频就被"看过了"，不用再看第二遍全片。**

第二阶段：按卡片定位，回答问题（ask，每次 2~3 次调用）

你的问题
   ↓ ① 查卡片    本地 TF-IDF 筛出最可能的段（毫秒级、零费用）
   ↓ ②