DeepSeek 视频问答：把录像拆成带时间标签的帧

它是给 agent 挂的 skill，让人不看录像也能问「某事发生在第几秒」¹。视觉模型 deepseek-v4-flash-vision-exp 不收视频、GIF 只读首帧，它就把视频拆成按时间排的 JPEG，只看画面不听声音。

视频先 ingest 一次：ffmpeg 抽帧，一分钟内 1fps，越长越稀；25 帧一批发给模型，每帧前插一行 [t=12.0s] 文本标签，模型每帧回一张卡片，时刻改回标签值。卡片本地拼成 30 秒一段。提问先用 TF-IDF 在段卡片里粗筛 10 段，模型看每段中间帧挑 3 段，再开推理深读这 3 段的帧，答案带 [MM:SS]。

抽帧、打标签、检索、切片段归脚本，模型只写卡片、挑段、作答；问题带「瞄准」「击杀」这类词才加一次 12fps 中心放大。agent 把 HTML 预览交给人，1fps 时刻差约两秒，由人回放片段核对。