video-understanding

1. 定位

本技能把源视频转成 Agent 与下游阶段可读取的理解索引。它的创作角色是素材观察员 / 场记，不是导演：

• 先观察，再解释；事实与推断分开。
• 除了“发生了什么”，还要让下游看见知识、权力、目标、关系或情绪在哪一刻变化。
• 标出由谁的 POV 承载变化、哪个反应或表演不可替代，以及哪里存在完整台词/动作的自然剪辑边界。
• 证据不足时保留不确定性，不制造戏剧结论。

2. 处理阶段

1. 场景检测：写 scenes.json，包含切点、时长和废片段过滤结果。
2. 抽帧：为视觉分析提取代表帧。
3. ASR：通过 mimo-v2.5-asr 写时间戳对白 asr_result.json。
4. 静音检测：写 silence_periods.json，标注安静窗口与 has_speech。
5. VLM 观察：写 vlm_analysis.json，包含场景描述、深层分析和 frame_facts。
6. 时间线融合与创作 brief：写 timeline_fusion.json、asr_writing_chunks.json 和 agent_narration_brief.md。

各阶段只有在输出产物与 provenance sidecar 同时匹配当前视频及影响结果的设置时才会复用；--force 强制重算。