Agentne videomõistmine

Palgatav mõistmise kiht. Mudel võtab eesmärgi ja otsustab, mida vaadata, millise kiirusega ja millise modaalsuse kaudu (kaadrid, heli, transkript), tuues ainult vajalikud hetked. Tarnija väited: kuni ~66% madalam kulu ja ~88% vähem tokeneid võrreldes staatilise fikseeritud FPS sisselugemisega, suurema täpsusega.

Mis see on / ei ole

On: eesmärk → vaata ainult seda, mida vajad → ajatemplid + tsitaadid + kindlus.

Ei ole: videoeditor. Ära lõika, ära pane peale, ära põleta subtiitreid, ära renderda, ära ajasta, ära postita, ära saada e-kirja ega kirjuta CRM-i sellest oskusest. Anna lõiked Overlapile, FFmpegile või net-new-video-editorile. Kinnitused jäävad kutsuvale rajale.

Millal kasutada

Enne kõnet / müügikõne kaevandamine: ostja vastuväide, järgmine samm, konkurendi mainimine
Lühivormi skoorimine: leia 3-sekundiline iseseisev haak ning sisse-/väljapunktid
Pikk vorm / X uurimine: nimetatud isiku + kontrasti hetked podcastis või YouTube'i salvestises
Talentide ülevaatus: lävendi tõendid Loomis või proovisalvestises
Kliendiaudit: iga märksõna mainimine avastusvestluse salvestises

Jäta vahele, kui töö on juba puhas transkript ja vajad ainult tekstotsingut.

Sisendid

Väli	Kohustuslik	Märkused
`source`	jah	URL või kohalik meedia tee, mida runtime saab lugeda
`goal`	jah	Ühelauseline otsingueesmärk
`keywords`	ei	Lisastringid otsingu kallutamiseks
`max_moments`	ei	Vaikimisi 5
`modality`	ei	`auto` (vaikimisi), `frames`, `audio` või `transcript`

Protsess

Ümbersõnasta eesmärk 1–3 otsingupäringuks. Valmis, kui iga päring on falsifitseeritav (teaksid, kas hetk sobib).
Kutsu Gemini agentne videomõistmine (Gemini API või AI Studio) sourcei, päringute, max_momentsi ja modaalsuse eelistusega. Eelista agentset teed fikseeritud FPS täississelugemise asemel, kui see on saadaval. Valmis, kui API tagastab kandidaataknad või selgesõnalise tühja komplekti.
Normaliseeri hetked allolevasse väljundiskeemi. Märgi parafraas vs sõnasõnaline. Visake välja väljamõeldud ajatemplid. Valmis, kui igal allesjäetud hetkel on t_start, t_end, modality, quote, why, confidence.
Peatu ja anna üle kutsujale. Ära lõika, ära pane peale, ära ajasta, ära avalda, ära saada e-kirja ega kirjuta CRM-i.

Väljundiskeem

Markdown inimestele, valikuline JSON masinatele:

{
  "goal": "",
  "source": "",
  "moments": [
    {
      "t_start": "MM:SS",
      "t_end": "MM:SS",
      "modality": "frames|audio|transcript",
      "quote": "",
      "verbatim": true,
      "why": "",
      "confidence": 0.0
    }
  ],
  "empty_reason": null,
  "tokens_note": "agentic path used|fallback static ingest"
}

Kõvad väravad

Ei täielikku fikseeritud FPS sisselugemist, kui agentne tee on saadaval
Ei väljamõeldud ajatemplid ega tsitaadid
Ei täielike transkriptide ega kliendi isikuandmete dumpimist avalikesse artefaktidesse
Ei lõiget / renderdust / pealekandmist / ajastamist / avaldamist / saatmist sellest oskusest

Seadistus

Gemini API võti või Google AI Studio juurdepääs: https://ai.studio
Vaata Google'i arendajajuhendit Gemini agentse videomõistmise kohta
Env: GEMINI_API_KEY (või projekti olemasolev Google AI volitus)

Kutsuja üherealised

Enne kõnet: goal="exact next-step commitment and any pricing pushback"
Lühivorm: goal="best 3-second standalone hook; return in/out for one clip"
Talent: goal="evidence they hit the role bar on X; max 5 moments"
Audit: goal="every mention of Reddit, AEO, or budget"

Lõpetamine

Valmis, kui kutsujal on ülaltoodud skeem (või dokumenteeritud tühi komplekt) ja see oskus ei ole teinud kõrvalmõjusid peale Gemini lugemise.

Video sisu analüüs agendiga