Communitygithub.com

Jamkris/everything-gemini-code

查看、理解并对视频和音频采取行动:从本地文件、URL、RTSP/直播流或桌面录制中提取内容,返回实时上下文和可播放的流链接;构建视觉/语义/时间索引,搜索带时间戳和自动剪辑的时刻;进行转码归一化、时间线编辑、媒体资产生成,以及来自直播流或桌面捕捉的实时事件告警。

everything-gemini-code 是什么?

此技能为 AI 代理(如 Gemini Code)提供了完整的视频、直播流和桌面会话感知、记忆与行动能力。它支持从本地文件、URL 或 RTSP/直播流摄入视频,并返回可播放的 Web 流链接。技能能够通过提取帧、构建视觉、语义和时间索引来实现深度理解,并支持基于时间戳和自动剪辑的精确搜索。在行动层面,它可以执行转码与归一化(编解码器、帧率、分辨率、宽高比)、时间线编辑(字幕生成与翻译、文字/图片叠加、画外音、配音)、媒体资产生成(图像、音频、视频),以及为桌面录制或直播流设置实时告警和事件触发器。该技能通过 Python SDK(videodb)工作,主要面向 macOS 桌面捕获并支持 WebSocket 事件监听。AI 代理应遵循提供的设置步骤(pip install、API 密钥配置),利用 SDK 进行上传、索引、搜索、编辑和转码等操作,并在常见错误场景(如已存在的索引、空搜索结果)中采用推荐的错误处理模式。

兼容平台✓Claude Code~Codex CLI~Cursor✓Gemini CLI
npx skills add https://github.com/Jamkris/everything-gemini-code/tree/HEAD/skills/videodb

在你喜欢的 AI 中提问

打开一个已预加载此 Agent Skill 的新对话。

文档

VideoDB 技能

感知 + 记忆 + 行动 —— 针对视频、直播流和桌面会话。

何时使用

桌面感知

  • 启动/停止桌面会话,捕获屏幕、麦克风和系统音频
  • 流式传输实时上下文并存储情景会话记忆
  • 对正在说的内容和屏幕上发生的事情运行实时告警/触发器
  • 生成会话摘要、可搜索的时间线和可播放的证据链接

视频摄入 + 流式

  • 摄入文件或 URL 并返回可播放的 Web 流链接
  • 转码/归一化:编解码器、比特率、帧率、分辨率、宽高比

索引 + 搜索(时间戳 + 证据)

  • 构建视觉、语音和关键词索引
  • 搜索并返回带有时间戳和可播放证据的确切时刻
  • 从搜索结果自动创建剪辑

时间线编辑 + 生成

  • 字幕:生成、翻译、压制
  • 叠加:文字/图片/品牌标识,动态字幕
  • 音频:背景音乐、画外音、配音
  • 通过时间线操作进行程序化合成与导出

直播流(RTSP)+ 监控

  • 连接 RTSP/直播源
  • 运行实时视觉和语音理解,为监控工作流发布事件/告警

工作原理

常见输入

  • 本地文件路径、公共 URL 或 RTSP URL
  • 桌面捕获请求:开始 / 停止 / 总结会话
  • 期望的操作:获取理解上下文、转码规格、索引规格、搜索查询、剪辑范围、时间线编辑、告警规则

常见输出

  • 流 URL
  • 带有时间戳和证据链接的搜索结果
  • 生成的资产:字幕、音频、图片、剪辑
  • 针对直播流的事件/告警负载
  • 桌面会话摘要和记忆条目

运行 Python 代码

在运行任何 VideoDB 代码之前,请切换到项目目录并加载环境变量:

from dotenv import load_dotenv
load_dotenv(".env")

import videodb
conn = videodb.connect()

这将从以下位置读取 VIDEO_DB_API_KEY:

  1. 环境变量(如果已导出)
  2. 当前目录中的项目 .env 文件

如果密钥缺失,videodb.connect() 会自动抛出 AuthenticationError 异常。

当短内联命令可行时,不要编写脚本文件。

当编写内联 Python(python -c "...")时,始终使用格式正确的代码——使用分号分隔语句并保持可读性。如果超过约 3 个语句,请改用 heredoc:

python << 'EOF'
from dotenv import load_dotenv
load_dotenv(".env")

import videodb
conn = videodb.connect()
coll = conn.get_collection()
print(f"Videos: {len(coll.get_videos())}")
EOF

设置

当用户要求“setup videodb”或类似内容时:

1. 安装 SDK

pip install "videodb[capture]" python-dotenv

如果在 Linux 上 videodb[capture] 安装失败,请安装不带 capture 扩展的版本:

pip install videodb python-dotenv

2. 配置 API 密钥

用户必须使用以下任一方法设置 VIDEO_DB_API_KEY:

  • 在终端中导出(在启动 Gemini 之前):export VIDEO_DB_API_KEY=your-key
  • 项目 .env 文件:将 VIDEO_DB_API_KEY=your-key 保存在项目的 .env 文件中

在 console.videodb.io 获取免费 API 密钥(50 次免费上传,无需信用卡)。

不要自己读取、写入或处理 API 密钥。始终让用户设置它。

快速参考

上传媒体

# URL
video = coll.upload(url="https://example.com/video.mp4")

# YouTube
video = coll.upload(url="https://www.youtube.com/watch?v=VIDEO_ID")

# 本地文件
video = coll.upload(file_path="/path/to/video.mp4")

转录 + 字幕

# force=True 可在视频已索引时跳过错误
video.index_spoken_words(force=True)
text = video.get_transcript_text()
stream_url = video.add_subtitle()

搜索视频内部

from videodb.exceptions import InvalidRequestError

video.index_spoken_words(force=True)

# search() 在没有结果时抛出 InvalidRequestError。
# 始终用 try/except 包裹,并将“无结果”视为空。
try:
    results = video.search("product demo")
    shots = results.get_shots()
    stream_url = results.compile()
except InvalidRequestError as e:
    if "No results found" in str(e):
        shots = []
    else:
        raise

场景搜索

import re
from videodb import SearchType, IndexType, SceneExtractionType
from videodb.exceptions import InvalidRequestError

# index_scenes() 没有 force 参数 —— 如果场景索引已存在则会抛出错误。
# 从错误中提取现有索引 ID。
try:
    scene_index_id = video.index_scenes(
        extraction_type=SceneExtractionType.shot_based,
        prompt="Describe the visual content in this scene.",
    )
except Exception as e:
    match = re.search(r"id\s+([a-f0-9]+)", str(e))
    if match:
        scene_index_id = match.group(1)
    else:
        raise

# 使用 score_threshold 过滤低相关性噪音(推荐值:0.3+)
try:
    results = video.search(
        query="person writing on a whiteboard",
        search_type=SearchType.semantic,
        index_type=IndexType.scene,
        scene_index_id=scene_index_id,
        score_threshold=0.3,
    )
    shots = results.get_shots()
    stream_url = results.compile()
except InvalidRequestError as e:
    if "No results found" in str(e):
        shots = []
    else:
        raise

时间线编辑

重要: 在构建时间线之前始终验证时间戳:

  • start 必须 >= 0(负值会被静默接受但会产生损坏的输出)
  • start 必须 < end
  • end 必须 <= video.length
from videodb.timeline import Timeline
from videodb.asset import VideoAsset, TextAsset, TextStyle

timeline = Timeline(conn)
timeline.add_inline(VideoAsset(asset_id=video.id, start=10, end=30))
timeline.add_overlay(0, TextAsset(text="The End", duration=3, style=TextStyle(fontsize=36)))
stream_url = timeline.generate_stream()

转码视频(分辨率/质量更改)

from videodb import TranscodeMode, VideoConfig, AudioConfig

# 服务端更改分辨率、质量或宽高比
job_id = conn.transcode(
    source="https://example.com/video.mp4",
    callback_url="https://example.com/webhook",
    mode=TranscodeMode.economy,
    video_config=VideoConfig(resolution=720, quality=23, aspect_ratio="16:9"),
    audio_config=AudioConfig(mute=False),
)

调整宽高比(针对社交平台)

警告: reframe() 是一个较慢的服务端操作。对于长视频,可能需要几分钟并可能超时。最佳实践:

  • 尽可能使用 start/end 限制为短片段
  • 对于完整的视频,使用 callback_url 进行异步处理
  • 首先在 Timeline 上裁剪视频,然后对较短结果进行 reframe 操作
from videodb import ReframeMode

# 始终优先对短片段进行 reframe:
reframed = video.reframe(start=0, end=60, target="vertical", mode=ReframeMode.smart)

# 完整视频的异步 reframe(返回 None,结果通过 webhook 提供):
video.reframe(target="vertical", callback_url="https://example.com/webhook")

# 预设:"vertical"(9:16),"square"(1:1),"landscape"(16:9)
reframed = video.reframe(start=0, end=60, target="square")

# 自定义尺寸
reframed = video.reframe(start=0, end=60, target={"width": 1280, "height": 720})

生成式媒体

image = coll.generate_image(
    prompt="a sunset over mountains",
    aspect_ratio="16:9",
)

错误处理

from videodb.exceptions import AuthenticationError, InvalidRequestError

try:
    conn = videodb.connect()
except AuthenticationError:
    print("Check your VIDEO_DB_API_KEY")

try:
    video = coll.upload(url="https://example.com/video.mp4")
except InvalidRequestError as e:
    print(f"Upload failed: {e}")

常见陷阱

场景错误信息解决方案
索引已索引的视频Spoken word index for video already exists使用 video.index_spoken_words(force=True) 在已索引时跳过
场景索引已存在Scene index with id XXXX already exists用 re.search(r"id\s+([a-f0-9]+)", str(e)) 从错误中提取现有 scene_index_id
搜索未找到匹配InvalidRequestError: No results found捕获异常并视为空结果(shots = [])
Reframe 超时在长视频上无限阻塞使用 start/end 限制片段,或传入 callback_url 进行异步处理
时间线上负的时间戳静默产生损坏的流在创建 VideoAsset 之前始终验证 start >= 0
generate_video() / create_collection() 失败Operation not allowed 或 maximum limit计划限制的功能——告知用户计划限制

示例

典型提示

  • “开始桌面捕获,并在密码字段出现时发出告警。”
  • “录制我的会话,并在结束时生成可执行的摘要。”
  • “摄入此文件并返回可播放的流链接。”
  • “索引此文件夹并找到所有包含人物的场景,返回时间戳。”
  • “生成字幕,压制进去,并添加轻柔的背景音乐。”
  • “连接此 RTSP URL,并在有人进入区域时发出告警。”

屏幕录制(桌面捕获)

使用 ws_listener.py 在录制期间捕获 WebSocket 事件。桌面捕获仅支持 macOS。

快速开始

  1. 选择状态目录:STATE_DIR="${VIDEODB_EVENTS_DIR:-$HOME/.local/state/videodb}"
  2. 启动监听器:VIDEODB_EVENTS_DIR="$STATE_DIR" python scripts/ws_listener.py --clear "$STATE_DIR" &
  3. 获取 WebSocket ID:cat "$STATE_DIR/videodb_ws_id"
  4. 运行捕获代码(完整工作流程请参见 reference/capture.md)
  5. 事件写入到:$STATE_DIR/videodb_events.jsonl

每次开始新的捕获运行时都使用 --clear,这样旧的转录和视觉事件就不会泄漏到新会话中。

查询事件

import json
import os
import time
from pathlib import Path

events_dir = Path(os.environ.get("VIDEODB_EVENTS_DIR", Path.home() / ".local" / "state" / "videodb"))
events_file = events_dir / "videodb_events.jsonl"
events = []

if events_file.exists():
    with events_file.open(encoding="utf-8") as handle:
        for line in handle:
            try:
                events.append(json.loads(line))
            except json.JSONDecodeError:
                continue

transcripts = [e["data"]["text"] for e in events if e.get("channel") == "transcript"]
cutoff = time.time() - 300
recent_visual = [
    e for e in events
    if e.get("channel") == "visual_index" and e["unix_ts"] > cutoff
]

附加文档

参考文档位于此 SKILL.md 文件相邻的 reference/ 目录中。如果需要,请使用 Glob 工具定位它们。

当 VideoDB 支持该操作时,不要使用 ffmpeg、moviepy 或本地编码工具。以下所有操作均由 VideoDB 服务端处理:裁剪、合并剪辑、叠加音频或音乐、添加字幕、文字/图片叠加、转码、分辨率更改、宽高比转换、为平台要求调整大小、转录和媒体生成。仅对 reference/editor.md 中“限制”部分所列的操作(转场、速度变化、裁剪/缩放、色彩分级、音量混合)回退到本地工具。

何时使用什么

问题VideoDB 解决方案
平台拒绝视频的宽高比或分辨率video.reframe() 或带 VideoConfig 的 conn.transcode()
需要为 Twitter/Instagram/TikTok 调整视频大小video.reframe(target="vertical") 或 target="square"
需要更改分辨率(例如 1080p → 720p)带 VideoConfig(resolution=720) 的 conn.transcode()
需要在视频上叠加音频/音乐在 Timeline 上使用 AudioAsset
需要添加字幕video.add_subtitle() 或 CaptionAsset
需要组合/裁剪剪辑在 Timeline 上使用 VideoAsset
需要生成画外音、音乐或音效coll.generate_voice()、generate_music()、generate_sound_effect()

来源

此技能的参考材料已本地供应商到 skills/videodb/reference/ 下。 请使用上述本地副本,而不是在运行时跟随外部仓库链接。

Individual skills in this repo

This repo contains 2 individual skills — each has its own dedicated page.

相关技能