我构建了一个开源MCP服务器，为AI智能体提供视频持久记忆

披露：我是本项目的开发者。在过去的几个月里，我一直遇到相同的工作流程问题。LLM在文本推理方面变得非常擅长。我们拥有RAG管道、长期记忆、向量数据库，以及越来越强大的智能体，可以搜索文档、代码和之前的对话。但视频完全不同。一个典型的工作流程如下： - 上传一个错误记录或产品演示。 - 提出几个问题。 - 结束会话。 - 第二天再次上传同一个视频。 问题不在于模型，而在于工作流程。 因此，我构建了一个名为Watch Skill的开源项目，尝试一种不同的方法。不是将视频视为临时输入，首次分析会创建一个持久的本地索引，包含转录文本、OCR、视觉观察、时间戳和嵌入。未来的问题变为检索而非视频处理。 该项目通过MCP、CLI和REST API暴露相同的功能，因此不局限于某一个特定的智能体。它还支持完全离线运行本地模型，如果隐私或成本很重要的话。 一些实现决策最终比预期更重要： - 场景检测而非均匀帧提取。 - 混合检索（FTS + 嵌入）而非仅向量搜索。 - 每个答案都带有时间戳证据。 - 持久化索引，使得后续问题无需再次进行完整的视频分析。 - 本地修正系统，使得错误可以成为未来查询的可复用经验教训。 我发布此内容主要是对架构的反馈感兴趣，而非推广。如果您正在构建处理视频的智能体系统，您会以不同的方式解决这个问题吗？ 仓库：https://github.com/oxbshw/watch-skill