从开源工具到第一个付费用户claude-real-video 20个版本迭代背后的设计哲学【免费下载链接】claude-real-videoLet Claude (or any LLM) actually watch a video — scene-aware, deduplicated frames transcript, from a URL or local file. Runs locally, MIT.项目地址: https://gitcode.com/gh_mirrors/cl/claude-real-videoclaude-real-video命令行简称crv是一个 MIT 协议的开源视频理解工具核心功能是让 Claude、GPT、Gemini 等任何大语言模型LLM真正看懂视频把一条视频链接或本地文件转成场景感知关键帧 带时间戳的逐字稿全部处理在你自己的电脑上完成。过去三个月它从 0.7.x 一路迭代到 0.10.7CHANGELOG 里躺着 20 多个版本作者也走通了开源工具 → 第一个付费用户的完整路径。这篇文章不讲代码只讲这些版本背后反复出现的设计判断。它解决什么问题粘贴视频链接AI 其实只读了字幕把 YouTube 链接丢给 AI 聊天框问这个视频讲了什么得到的回答很快、很自信——但它是从字幕/文本里读出来的画面里的视觉梗、图表、UI 变化一概不知。大多数让 LLM 看视频的方案用固定间隔抽帧比如每秒 1 帧结果要么给静态录屏灌入几百张几乎一样的图要么把快剪辑之间的镜头整个漏掉。crv 的用法简单到一行pip install claude-real-video[whisper] crv https://youtu.be/xxxx # → crv-out/frames/*.jpg frames.json transcript.txt/.json MANIFEST.txt装好后把输出文件夹丢给任何 LLM 即可提问用 Claude Code 的话装一条 skillskills/claude-real-video/SKILL.md后直接粘贴链接让 agent 自己看。设计哲学一按发生了什么抽帧而不是按几点几秒抽帧这是 20 个版本里最核心的一条主线帧的选择权交给内容不交给时钟。crv 用 ffmpeg 场景变化检测找出画面真正改变的时刻再用滑动窗口去重A-B-A 式闪回镜头只发一次。benchmark/benchmark.md 里的实测数据很说明问题视频固定 1 fpscrv 场景感知NASA 火箭发射8.8 分钟527 帧 / 约 403k token20 帧 / 约 15k tokenJFK 1962 演讲3 分钟180 帧 / 约 138k token53 帧 / 约 41k token演讲 幻灯片150 秒150 帧 / 约 115k token87 帧 / 约 67k token8 分半的发射视频20 帧就能读出一个完整故事发射台、点火、升空、烟羽漂移、暗场收尾。模型读到的是更少的、但每帧都承载信息的画面——上下文更便宜理解反而更好。--grid还能把关键帧拼成 3×3 联系表让模型一次看一串有序画面而不是散落静帧设计哲学二把失败案例也写进基准测试benchmark/benchmark.md 开头就声明这是一份实验日志不是营销页——包括 crv 输掉的案例以及复现全部结果的确切命令。最有名的一场输一段 52 秒的手写笔记动画旧版去重器把整个书写过程塌缩成 3 帧空白页 完成页LLM 甚至看不出这是个写字动画。作者没有调参数糊弄过去而是在 v0.7.4 增加了一条settled-local检测通道专门捕捉细笔触、字幕卡切换、小 UI 更新这类全局像素差异≈0 的局部变化。修复后同一条视频从 3 帧恢复到 9 帧书写过程完整可见。基准里还留着一个至今未解决的架构级短板细笔画慢变动画仍会丢帧——诚实地标注边界比假装完美更能建立信任这也为后来的付费转化埋了伏笔。设计哲学三用户的抱怨就是路线图20 个版本里最值钱的功能没有一个来自作者自己的路线图全部来自真实用户的抱怨动画师的抱怨 →--adaptive自适应场景检测。2~3 秒的挤压-拉伸动画任何单帧差异都不够触发阈值。修复方案把每帧和它滚动邻域比较而不是和固定阈值比慢变化会被累积捕捉。讲师视频的抱怨 →--text-anchors字幕锚点。幻灯片 10 分钟不动但音频里讲了三个观点。修复方案在每条字幕时间戳处强制补一帧让每段话都有对应画面。2,181 个视频的批量跑单报告 → v0.7.16 批量加固。去重器对占画面 1% 以下的快速小主体结构性失明一个 40×90 像素的物体怎么动都够不到 8% 的像素阈值。修复后同一合成用例动作帧存活率从 1/10 到 10/10。CHANGELOG.md 里甚至逐条标注了报告者和 PR 编号如#25, by Daily-AC把社区驱动从口号变成了可审计的记录。核心去重逻辑在 src/claude_real_video/core.py配套的回归测试在 tests/——每个抱怨修完都留下测试防止再犯。设计哲学四本地优先隐私是功能而不是成本整条管线——下载、抽帧、去重、Whisper 转写——全部在用户机器上跑。作者的说法是模型不需要视频文件本身它只需要残留物哪些帧变了、说了什么、什么时候说的而这份残留物小到任何一台装了 ffmpeg 的笔记本都能算出来。视频从不离开你的机器之后你选择把哪些帧/文本贴给云端 LLM数据才去哪儿。两个小而正确的细节贯穿始终时间戳全程存活每帧从抽取、去重、裁剪、改名一路携带源视频时间戳写入frames.json模型可以引用frame_012 00:03:41这样的证据而不是大概中段某处src/claude_real_video/export_llc.py。大声失败ffmpeg 挂了就报 ffmpeg 的真实错误而不是伪装成视频是空的坏源、零帧、无音轨都给出诚实诊断CHANGELOG.md 0.7.2 / 0.9.3 两节。v0.9.0 又加了一层所有看过的视频建本地索引src/claude_real_video/memory.py一条crv-ask 定价策略就能跨整个视频库检索哪个视频、第几秒、哪句话——同样零网络、零嵌入单个 SQLite 文件。设计哲学五透明的 open-core开源工具如何迎来第一个付费用户免费工具做到上面这些之后商业化路径也写得很直白免费版是完整的观看管线不是一个 demo。付费的 crv Pro$29 买断加的是理解层——镜头语言标注推拉摇移/节奏、声音与情绪时间轴、可点击事件的交互 viewer。收费声明直接放在 README.md 最显眼的地方结束提示也可以一行环境变量关闭。作者原本预期混合开源与收费会引发反弹结果相反——第一个付费用户恰恰是先找到免费版的陌生用户其中一位回信说确实帮到了工作marketing/reddit/20260715-sideproject.md。作者在 README 结尾写道正在公开记录从开源工具到第一个付费客户的这段路。这就是本文标题的由来20 个版本迭代出的信任本身就是转化漏斗。20 个版本一句话总结版本节点设计决策0.7.1–0.7.2时间戳化逐字稿 输出目录安全正确性优先于便利0.7.4settled-local 去重用基准测试找盲区而不是靠直觉0.7.6frames.json帧级时间戳让模型能引用证据0.7.16小主体动作通道批量用户反馈进主线0.8.0 → 0.9.0MCP server → 跨视频记忆库从工具变成基础设施0.10.0--from/--to窗口分析、平台自带字幕优先尊重用户的时间与数据如果你也想让 LLM 真正看懂视频核心思路只有三句话抽变了的帧而不是到点的帧把失败写进文档把抱怨当成路线图。工具本身可以从 PyPI 安装claude-real-video源码结构与实现细节可参考 src/claude_real_video/ 和 README.md 中的 How it works 一节。【免费下载链接】claude-real-videoLet Claude (or any LLM) actually watch a video — scene-aware, deduplicated frames transcript, from a URL or local file. Runs locally, MIT.项目地址: https://gitcode.com/gh_mirrors/cl/claude-real-video创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考