[开源] 让 Agent 真正「看懂」视频： Gemini 主动视频理解 MCP + Skill，附 FFmpeg 抽帧实测对比

9 月初 Google 发了篇博客介绍 agentic video understanding：视频理解不再是「按固定帧率抽帧 → 全部塞进上下文」，核心思路是淘汰以前用平均地抽帧来理解视频，而是让 agent 自己去决定看哪一帧。

我照着这个思路做了个开源项目 gemini-agentic-video：一个 MCP 服务 + Agent Skill ，让 Agent 能直接理解本地视频和 YouTube 链接。

它能做什么

• 标准 MCP 服务，只暴露一个工具 analyze_video_agentic ，可接入 Claude Desktop / Cursor / Windsurf / Google Antigravity


• 也能当 CLI 用：gemini-agentic-video --video ./match.mp4 --prompt "统计所有进球时间戳"


• 附带标准 SKILL.md ，复制到 skills 目录就能用（这也是我在 Antigravity 里的实际用法）


• 本地文件和 YouTube 链接都支持


• 内置 configure 向导，自动验证并写入 API Key （ AI Studio 有免费额度，个人开发者不用绑卡）

和传统抽帧的区别

传统方案：长视频 → 固定 1fps 抽帧 → 几千张图全量进上下文 → Token 爆炸，还容易漏掉瞬时动作。

Agentic 方案：模型先粗筛定位，再按问题主动回看关键片段，必要时局部提高帧率复查。最终产物是一段带时间戳的分析，而不是一堆中间帧。

实测：Gemini Agentic vs FFmpeg 抽帧

我拿两个视频做了端到端对比（ 20 秒足球片段 + 204 秒产品介绍视频），完整数据也放在了仓库 docs 里。

对比的结果发现：

• 
  

  Gemini 能准确捕捉到进球时刻，FFmpeg 不行：Gemini 明显更强。20 秒足球片段它准确抓到 14-15 秒的进球和随后的庆祝； FFmpeg 那组抽了 147 帧，却因为球被遮挡，最后保守地写成「无法确认进球」。

  
  


• 
  

  FFmpeg 的优势是用于截图取证。元数据、逐帧图片、接触表都能存下来，缺点是磁盘占用大（简单组 23MB ），而且它本身不理解画面和音频语义。

  
  


• 
  

  复杂产品视频：两组都还原了主结构，Gemini 额外给出了十几段口播、英文解说、BGM 和转场描述； FFmpeg 只能确认音轨、音量、静音，理解不了内容。

  
  


• 
  

  耗时上看，Gemini 理解视频的时间会长一些，但理解的效果好的多。：

  
  
  
  
  • 20 秒视频 Gemini 363 秒 vs FFmpeg 1232 秒（ FFmpeg 组明显过采样了）；
  
  
  • 204 秒视频反过来 FFmpeg 532 秒 vs Gemini 1179 秒，但 Gemini 那 1179 秒里包含 3 次失败重试，成功链路实际约 413 秒。
  
  
  
  

目前的坑（先说清楚）

1. 必须上传到 Google 云端处理，隐私敏感素材请慎用


2. 模型内部看了哪些帧是不可见的，重要结论建议再用 FFmpeg 抽关键帧复核

所以我自己的用法是：Agentic 负责定位和理解，FFmpeg 按它给的时间点取证复核，而不是二选一。

地址

GitHub： https://github.com/liaocaoxuezhe/gemini-agentic-video

Google 那篇博客： https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-agentic-video-in-gemini/

演示：我用它在 Antigravity 里一句 prompt 直出了一段 42 秒的足球进球集锦（剪辑用的是 ChatCut ，视频理解走 gemini-agentic-video ）：
https://x.com/liaocaoxuezhe/status/2099342875456872930

Apache-2.0 开源，欢迎试用、提 issue ，也欢迎拍砖。