Ein Video ansehen – Verständnis, nicht Ablage
Jemand teilt ein Video und fragt dich dazu. Zwei Hooks machen das möglich, und keiner ist eigenständig auffindbar – Hooks haben kein semantisches Matching, daher findet eine Sitzung, die aufgefordert wird, „dieses Video anzusehen“, nichts und improvisiert. Diese Lücke ist der einzige Grund, warum dieses Skill existiert.
Die Grenze – lies dies zuerst
Dieses Skill SIEHT SICH AN. Es LEGT NICHT AB. Seine Ausgabe ist im Sitzungskontext gehaltenes Verständnis, kein Vault-Artefakt. Keine Notiz, kein Frontmatter, keine Querverweise, kein
_index-Update, keine Aktions-Routing. Arbeitsdateien gehen in einen Scratch-Pfad (/tmp), niemals invault/.
/aios:ingestist die Ablage-Pipeline – sie existiert genau dafür, dass das Umwandeln einer Quelle in eine dauerhafte, vernetzte Vault-Notiz eine bewusste Handlung mit Konventionen ist. Wenn der Operator das möchte, übergebe („Möchtest du, dass ich/aios:ingestdafür verwende, damit es mit Querverweisen inreflections/ingests/landet?“) – implementiere es hier nicht halbherzig. Zwei Pfade, eine Grenze, keine Überschneidung.
Der Ablauf eines Durchlaufs ist also: In den Kontext holen → das Gefragte tun → anbieten, nicht voraussetzen. Wenn die Anfrage offen war („sieh dir das an“ ohne Frage), sieh es dir an, sag dann in zwei oder drei Zeilen, worum es geht, und frage, was der Operator davon möchte. Erfinde kein Lieferobjekt, das niemand angefordert hat.
Welches Werkzeug – die eigentliche Entscheidung
| Quelle | Greife zu | Warum |
|---|---|---|
| Dokument (PDF, DOCX, Deck, Sheet) | MarkItDown oder die document-skills | Nicht Aufgabe dieses Skills; diese matchen bereits semantisch |
| Langes Audio/Video, Audio reicht | hooks/transcribe.py | MarkItDown schickt Audio in einem Schuss an Google Web Speech – gut für einen Satz, nutzlos für ein 49-minütiges Interview |
| YouTube, Audio reicht | Zuerst MarkItDown-Untertitel | Viel schneller als Transkription; falle auf transcribe.py zurück, wenn Untertitel fehlen oder schlecht sind |
| Der BILDSCHIRM trägt Information | hooks/video-watch.py zusätzlich zum Transkript | Ein Transkript verwirft jedes Bild: Folien, Code, Diagramme, Terminal, Charts, Bildschirmtexte |
Der Bildschirm trägt Information, wenn die Quelle ein Vortrag mit Folien, ein Screencast, ein Code-Walkthrough, eine Tool-Demo, eine Vorlesung mit Diagrammen oder etwas ist, bei dem „wie Sie hier sehen können“ dich blind lassen würde. Im Zweifelsfall nachfragen – der visuelle Durchlauf kostet echte Zeit.
Die Befehle
# Transkript-Grundgerüst (geräteseitig: ffmpeg → mlx-whisper large-v3-turbo, beliebige Länge)
python3 ~/aios/hooks/transcribe.py <datei-oder-URL> /tmp/watch-transcript.txt
# Visueller Kanal, auf das Transkript aufgesetzt – NIEMALS stattdessen
python3 ~/aios/hooks/video-watch.py <datei-oder-URL> \
--transcript /tmp/watch-transcript.txt --reader ocr --code
Die Wahl des Readers ist die einzig wirklich wichtige Flag-Entscheidung:
--reader ocr– originalgetreuer Bildschirmtext via Apple Vision. Standard für Folien, Code, Terminals, alles, was du genau zitieren musst. Füge--codehinzu, wenn Frames Code enthalten.--reader vlm– Claude Vision beschreibt jedes Bild. Für Diagramme, Charts, Architektur, UI – Struktur statt wörtlichem Text.--reader both– wenn du die genauen Wörter und die Bedeutung des Bildes brauchst. Verdoppelt ungefähr die Kosten pro Frame.
Alles andere (--scene-threshold, --max-frames, --sample-every, --max-width, --phash-threshold) hat sinnvolle Standardwerte. Ändere sie nur, wenn der erste Durchlauf sichtbar zu sparsam oder zu verrauscht ist; --help listet sie auf.
Plattform-Realität – benenne sie, renne nicht dagegen
Beide Hooks sind für macOS / Apple Silicon (mlx-whisper, Apple Vision via hooks/ocr-image.swift). Sag das auf Linux oder Windows und falle auf MarkItDown zurück, das YouTube-Untertitel und kurze Audiodateien plattformübergreifend verarbeitet. Lass einen Operator nicht zusehen, wie ein Befehl fehlschlägt, um das zu lernen.
Erwartungen setzen, bevor du Zeit verbrennst
Die Transkription einer langen Aufnahme und das Lesen ihrer Frames dauert Minuten, nicht Sekunden – ein 45-minütiger Vortrag mit visuellem Durchlauf ist das Schwerste in diesem Skill. Nenne den geschätzten Zeitaufwand vorher und hole Bestätigung ein, besonders für den visuellen Durchlauf. Zwei günstige Maßnahmen, die meist besser sind als Brachialgewalt:
- Transkript zuerst, immer. Es ist das semantische Grundgerüst, es ist schneller, und es beantwortet die Frage oft direkt – dann ist der visuelle Durchlauf unnötig.
- Wenn die Anfrage eng ist („erwähnt sie die Preisgestaltung?“), durchsuche das Transkript, anstatt es komplett durchzulesen.
Wissenswerte Fehlermodi
- Ein Transkript ist nicht das Video. Wenn der Operator nach etwas Gezeigtem fragt, ist ein sauberes Transkript, das es nie erwähnt, kein Beweis für Abwesenheit – es ist das falsche Werkzeug. Führe den visuellen Durchlauf aus oder sage, dass du noch nicht antworten kannst.
- YouTube-Untertitel können automatisch generiert und falsch sein (Namen, Fachjargon, Zahlen). Wenn ein Zitat wichtig ist, überprüfe es mit
transcribe.py, bevor du es zuordnest. - Zitiere nicht, was du nicht gelesen hast. Frames werden bei Szenenwechseln abgetastet und dedupliziert, daher ist der visuelle Durchlauf eine Stichprobe, keine vollständige Aufzeichnung. Wenn eine Behauptung auf einem Frame beruht, nenne den Zeitstempel, von dem er stammt.
- Scratch-Dateien sind temporär. Räume
/tmp/watch-*nach Abschluss auf oder sage, wo du sie hinterlassen hast. Schreibe sie nie invault/.
Übergeben
Wenn sich das Material als behaltenswert herausstellt:
- Ordentlich ablegen →
/aios:ingest(landet inreflections/ingests/, Benennung{quelle}-{slug}, Frontmatter, Querverweise, Aktions-Punkte in Projekt-To-Dos geroutet). - Es hat den Zustand eines Projekts geändert → sag es und biete an, diese Projektnotiz zu aktualisieren.
- Es hat eine dauerhafte Erkenntnis hervorgebracht → diese gehört über den normalen Sitzungsabschluss-Pfad ins Vault, nicht als Nebeneffekt des Ansehens.
Ansehen ist billig und wiederholbar. Ablegen ist eine Entscheidung. Halte sie getrennt.