著者はWatch Skillをリリースしました。これは大規模言語モデル（LLM）向けのローカルファースト動画インデックスパイプラインを作成するオープンソースプロジェクトです。このシステムは動画を一度分析して、文字起こし、OCRデータ、シーン境界、代表フレームを抽出し、LLMが動画を再処理することなく証拠を検索できるようにします。

  • 全文検索（FTS）と埋め込みを組み合わせたハイブリッド検索。
  • 固定フレームサンプリングの代わりにシーン検出を使用。
  • タイムスタンプベースの検索により、回答が元の動画にリンクされることを保証。
  • すべてのデータをローカルに保存するため、インデックス化された動画はマシンから流出しません。
  • モデルの切り替えに対応するため、MCP、CLI、REST API経由で公開。

このアプローチは、LLMを動画処理レイヤーではなく推論レイヤーとして位置づけるものであり、ユーザーがインデックスパイプラインを変更せずに異なるローカルモデル間で切り替えることを可能にします。