Автор выпустил Watch Skill, проект с открытым исходным кодом, который создает локально-ориентированный конвейер индексации видео для больших языковых моделей. Система анализирует видео один раз, чтобы извлечь транскрипты, данные OCR, границы сцен и репрезентативные кадры, позволяя LLM получать доказательства без повторной обработки видео.
- Гибридный поиск, сочетающий полнотекстовый поиск (FTS) и эмбеддинги.
- Обнаружение сцен используется вместо фиксированной выборки кадров.
- Поиск на основе временных меток, обеспечивающий связь ответов с исходным видео.
- Все данные хранятся локально, поэтому индексированные видео не покидают машину.
- Доступ через MCP, CLI и REST API для замены моделей.
Подход позиционирует LLM как слой рассуждений, а не слой обработки видео, позволяя пользователям переключаться между различными локальными моделями без изменения конвейера индексации.