К основному содержанию
скилл CX Codex

watch · oxbshw — скилл для Claude Code: анализ видео

Скилл разбирает видео по ссылке или локальному пути: извлекает кадры, распознаёт текст и речь, а затем отвечает на вопросы по результату. Пригодится для разбора записи или проверки собственного интерфейса.

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add oxbshw/watch-skill --skill watch -a claude-code
Открыть на GitHub

Что делает watch

watch передаёт видео движку watch-skill: тот получает кадры с учётом смены сцен, распознаёт надписи и сначала ищет субтитры, а при их отсутствии использует локальный Whisper. Результат сохраняется в индексе, поэтому уточняющий вопрос не требует повторной обработки. Можно указать нужный отрезок или пропустить кадры и обработать только расшифровку.

Скилл также умеет сравнивать интерфейс с критериями проверки: он выдаёт замечания, а код исправляет агент. Для установки в Claude Code выполните npx skills add oxbshw/watch-skill --skill watch -a claude-code; файл скилла находится в ~/.claude/skills/watch/SKILL.md. Если watch-skill не доступен в PATH, установите его через pip install watch-skill или uv tool install watch-skill. Это важно: без CLI обработка не запустится. Для расшифровки API-ключ не нужен; облачную обработку речи нужно отдельно включить флагом --cloud-stt.

Какие задачи решает

  • разобрать видео по ссылке или локальному файлу
  • найти важный момент по временной отметке
  • извлечь надписи и речь из записи
  • задать уточняющий вопрос по уже обработанному видео
  • проверить исправление интерфейса по критериям

Примеры запросов агенту

  • Разбери видео по ссылке и перечисли ключевые моменты с временными отметками.
  • Что происходит в ролике на отметке 2:30?
  • Проверь интерфейс по заданным критериям и предложи исправления.

Как установить watch

1Через Skills CLI (Vercel)

npx skills add oxbshw/watch-skill --skill watch -a claude-code

2Вручную: положить файлы

~/.claude/skills/watch/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/watch/

По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов

Вопросы о watch

Как установить watch в Claude Code?

Выполните npx skills add oxbshw/watch-skill --skill watch -a claude-code. Файл скилла появится по пути ~/.claude/skills/watch/SKILL.md.

Что делает watch?

Он извлекает кадры, распознаёт текст и речь, индексирует результат и отвечает на вопросы по видео. Последующие вопросы использует уже созданный индекс.

Нужен ли API-ключ для расшифровки видео?

Нет, скилл использует локальный Whisper, если субтитры недоступны. Облачная обработка речи включается отдельно флагом --cloud-stt.

Исходный текст

SKILL.md · MIT
---
name: watch
version: "1.4.3"
description: Watch any video (URL, stream, or local path) via Watch Skill. Downloads, extracts scene-aware deduped frames, OCRs them, transcribes (captions first, then local Whisper — offline by default), indexes everything, and hands the result to the agent. Follow-up questions are answered from the persistent index without re-processing.
argument-hint: "<video-url-or-path> [question]"
allowed-tools: Bash, Read, AskUserQuestion
license: MIT
user-invocable: true
---

# /watch (Watch Skill)

You don't have a video input; this skill gives you one. It is a thin wrapper
around the `watch-skill` CLI — all logic lives in the engine, so this skill
works identically on every harness (Claude Code, Codex, Cursor, ...).

This is a drop-in upgrade of the classic claude-video `/watch` skill:
same invocation shape, plus a persistent index (`ask` answers follow-ups
without re-processing), OCR on frames, scene-aware sampling with perceptual
dedup, local Whisper (offline by default, no API key needed), and THE LOOP
(capture -> critique -> fix -> re-capture) for iterating on your own output.

## Step 0 — Preflight (first invocation per session)

```bash
watch-skill doctor --json
```

- Exit 0 → proceed silently. Do NOT announce that setup is fine.
- Non-zero → the JSON lists each failing check with a `fix`. `doctor`
  auto-bootstraps ffmpeg and yt-dlp into a managed bin dir on Windows/macOS/
  Linux; re-run once after it reports fixes. Only involve the user when a
  check still fails after remediation.
- If `watch-skill` itself is not on PATH: `pip install watch-skill` (or
  `uv tool install watch-skill`), then re-run the doctor.

No API key is required for acquisition, transcription, OCR, indexing, or
search: transcription falls back to local faster-whisper. Visual synthesis
and verification can use the user's existing Anthropic, OpenAI, Gemini, or
OpenRouter key, or an optional local Ollama model. The agent and provider are
independent; see the `configuring-vision` skill. Cloud STT is opt-in
(`--cloud-stt`) and only ever uploads extracted mono audio — the video file
never leaves the machine.

## Step 1 — Watch

Parse the user input into source + optional question, then:

```bash
watch-skill watch "<source>" [--start T --end T] [--max-frames N] [--transcript-only]
```

- Any yt-dlp-supported site (1800+), direct media URLs, HLS/DASH manifests
  (`--duration 60` bounds live streams), and local files all work.
- `--start` / `--end` (`SS`, `MM:SS`, `HH:MM:SS`) switch to dense focused
  sampling of that window — use for "what happens at 2:30?" questions and for
  any video over ~10 minutes when the user cares about one section.
- `--timestamps T1,T2,...` pins frames at transcript-flagged moments
  ("look here", "as you can see") that visual selection may miss.
- `--transcript-only` skips frames entirely (fastest; no video download when
  captions exist).
- `--max-frames N` tightens the token budget (default: duration-tiered,
  hard cap 100, max 2 fps).

The report prints an `Indexed: video_id ...` line, frames with `t=MM:SS`
timestamps, OCR text, and the transcript.

## Step 2 — Read the frames

Read every frame path the report lists, in a single message (parallel Read
calls), so you see them together in chronological order.

## Step 3 — Answer

Answer from frames + OCR + transcript, citing timestamps. No question →
summarize structure, key moments, notable visuals, spoken content.

## Follow-ups — use the index, not re-processing

The video is already indexed. For any follow-up question in this or a LATER
session:

```bash
watch-skill ask <video_id> "<question>"      # self-healing answer + evidence
watch-skill search "<phrase>"                 # across every video ever watched
```

`ask` (v0.6) answers text-first with timestamped evidence, a confidence
score, and a `~N tokens saved` line. It escalates on its own when unsure
(dense re-sampling, zoom-crop re-OCR) and states plainly when the video
does not clearly show the answer — trust that refusal; do NOT invent an
answer past it. Frame paths are listed only when the engine wants you to
look yourself (or pass `--frames`); Read them then. Never re-run `watch`
for a follow-up on an already-indexed video.

If the user corrects one of your video answers, report it so the system
learns (locally):

```bash
watch-skill lessons add <video_id> "<question>" "<your wrong answer>" "<the correction>"
```

## THE LOOP — iterate on your own output

When the user asks you to fix UI/visual output and verify the fix:

```bash
watch-skill loop start "<url-or-screen:-or-file>" "<pass criteria>" [--script '<json steps>']
# ... you apply the suggested fixes ...
watch-skill loop iterate <loop_id>
```

The critique returns structured issues with timestamps and suggested fixes.
YOU change the code; the loop only observes. On pass it renders a
before/after MP4+GIF proof. `watch-skill capture "<target>"` records without
critiquing.

## Security posture

- The video file itself NEVER leaves the machine. Only extracted mono-16kHz
  audio may go to a cloud STT API, and only with explicit `--cloud-stt`.
- No cookies, no logins — only public data is requested.
- API keys live in env vars / `.env`; they are never logged or echoed.
- Downloads are cached under `~/.watch-skill/cache` (LRU, size-capped).

© oxbshw · MIT · oxbshw/watch-skill

Похожие скиллы

Каталог скиллов SKILL.md →

Сначала — watch от других авторов.

watch bradautomates Смотрит видео по URL или локальному пути, собирает кадры и расшифровку, чтобы агент отвечал на вопросы о содержимом. Подходит для разбора роликов прямо из IDE. CX Codex +1 17 200установок watch diffusionstudio Отвечает на вопросы по видео или аудиофайлу, делает пересказ, ищет сцены и вытаскивает цитаты с таймкодами. CX Codex +1 1 700установок find-skills vercel-labs Ищет и устанавливает готовые скиллы для ИИ-агентов через каталог skills.sh. Пригодится, когда для рабочей задачи нужен специализированный воркфлоу. CX Codex +1 4 000 000установок frontend-design официальный anthropics Скилл задаёт осмысленное визуальное направление для новых интерфейсов и редизайна. Подойдёт, когда стандартный шаблонный UI не устраивает. 1 025 790установок grill-me Matt Pocock Скилл проводит жёсткое интервью по плану или дизайну, чтобы найти пробелы и уточнить решения. Подойдёт перед началом разработки. 1 424 476установок grill-with-docs Matt Pocock Скилл проводит жёсткое интервью по плану или дизайну и по ходу создаёт ADR и глоссарий. Подойдёт перед началом сложной разработки. 1 219 756установок improve-codebase-architecture Matt Pocock Скилл ищет архитектурные узкие места в кодовой базе и показывает варианты углубления модулей в HTML-отчёте. Подойдёт для ревью перед рефакторингом. 1 163 035установок design-taste-frontend Leonxlnx Скилл задаёт арт-дирекцию для публичных страниц и рабочих экранов, а затем проверяет результат в браузере по скриншотам. Нужен, когда интерфейс выглядит шаблонным или недоработанным. CX Codex +1 678 700установок

Из того же набора11

watching-videos Скилл анализирует локальные видеофайлы и ролики по ссылкам через OCR кадров и транскрипцию речи. Помогает агенту отвечать по реальному содержанию видео с таймкодами. CX Codex +1 525установок video-memory Постоянный индекс всех видео, которые агент разбирал на этой машине: кадры, OCR, транскрипты и прошлые ответы. Пригодится, когда нужно вспомнить, что было в записи. CX Codex +1 510установок asking-with-evidence Отвечает на вопросы по ранее просмотренным видео из локального индекса с таймкодами и оценкой уверенности. Позволяет проверить детали без повторного запуска анализа. CX Codex +1 506установок extracting-structure Достаёт структуру из уже просмотренного видео: главы с таймкодами, баг-репорт с точным кадром, оценку вступления. CX Codex +1 505установок the-loop Записывает, как ведёт себя интерфейс, анимация или игра, сверяет запись с вашими критериями и повторяет прогон, пока не пройдёт. CX Codex +1 501установок recovering-from-errors Скилл разбирает сбои Watch Skill: читает код ошибки, запускает watch-skill doctor и повторяет упавшую команду один раз. CX Codex +1 498установок learning-from-mistakes Записывает правки пользователя как уроки, чтобы следующие ответы по похожим вопросам были точнее. Показывает, что уже сохранено. CX Codex +1 496установок configuring-vision Настраивает провайдеров зрения для Watch Skill: подключает OpenAI, Anthropic, Gemini, OpenRouter или локальную Ollama без привязки к одной модели. CX Codex +1 496установок

Спонсоры проекта

Компании, которые помогают держать аналитику открытой