关于 WithVideo
看视频的终点不是笔记，是真实运行的结果
WithVideo 是专为工程师设计的 AI 视频学习与执行引擎。它先读懂讲师在说什么，只有字幕搞不定时才分析画面，把教程视频里的每一个具体步骤提炼成可预览、可审批的执行计划——并在你本地的 shell、编辑器或 IDE 里直接跑出来。
为什么做这个工具
语义优先，不是逐帧看图
别的视频 AI 工具把视频当一堆帧处理。WithVideo 先读懂讲师说的话，只有字幕搞不定——比如代码截图、UI 操作——时才分析画面。一次 LLM 调用完成全量分类，50–70% 的字幕块直接跳过视觉分析。
不是笔记，是可执行的 diff
大部分「视频总结」工具的终点是一份 Markdown 笔记。WithVideo 的终点是 git status 里的真实改动。每一步都是可预览的 diff，你明确 accept 之后才真正执行——不会悄悄改你的环境。
本地优先，视频不离机
设计时就假设你不想把教程视频送到别人的服务器。默认全链路本地处理：Apple Silicon 上用 mlx-whisper 转录，OCR 用本地 ONNX 模型，LLM 也可以换成 Ollama 等本地模型。
工作原理
五阶段流水线
- 1
视频采集
YouTube / B 站 / 本地 mp4·mov·mkv
- 2
字幕转录
Whisper 语音识别或平台自带字幕
- 3
语义判断
一次 LLM 调用给全量字幕块分类（约 5 秒）
- 4
视觉分析
仅在字幕搞不定时运行，50–70% 的块直接跳过
- 5
指南生成
guide.md + semantic.json + code/，三件可执行产物
实测数据
不是估计，是测出来的
~78x
OCR 视觉后端加速比
对比旧视觉链路
7m49s
10 分钟视频端到端
Apple Silicon 实测
8m28s
20 分钟视频语义阶段
4 worker 并行后
~5s
全量字幕块语义分类
一次 LLM 调用
适用场景
效果最好
- ✓CLI 工具操作教程
- ✓框架初始化（Next.js / FastAPI / Rails...）
- ✓部署流程（Docker / Vercel / K8s）
- ✓vibe coding 类项目复现
不太适合
- –纯讲概念的理论视频（没有可执行步骤）
- –无字幕且语音识别质量差的视频