लेखक ने Watch Skill जारी किया है, एक ओपन-सोर्स प्रोजेक्ट जो बड़े भाषा मॉडलों (LLMs) के लिए स्थानीय-पहला वीडियो इंडेक्सिंग पाइपलाइन बनाता है। सिस्टम वीडियो का विश्लेषण एक बार करता है ताकि ट्रांसक्रिप्ट, OCR डेटा, दृश्य सीमाओं और प्रतिनिधि फ्रेम निकाले जा सकें, जिससे LLMs को वीडियो को फिर से प्रोसेस किए बिना सबूत पुनः प्राप्त करने की अनुमति मिलती है।
- पूर्ण-पाठ खोज (FTS) और एम्बेडिंग्स को जोड़ने वाला हाइब्रिड रिकवरी।
- निर्धारित फ्रेम सैंपलिंग के बजाय दृश्य पहचान का उपयोग।
- टाइमस्टैम्प-सहायक रिकवरी सुनिश्चित करती है कि उत्तर मूल वीडियो से जुड़ें।
- सभी डेटा स्थानीय रूप से संग्रहीत ताकि इंडेक्स किए गए वीडियो मशीन से बाहर न जाएं।
- मॉडल स्विचिंग के लिए MCP, CLI और REST API के माध्यम से एक्सेस।
यह दृष्टिकोण LLM को एक वीडियो प्रोसेसिंग परत के बजाय तर्क परत के रूप में स्थित करता है, जिससे उपयोगकर्ता इंडेक्सिंग पाइपलाइन को बदले बिना विभिन्न स्थानीय मॉडलों के बीच स्विच कर सकते हैं।