让LLM看懂视频：帧选择才是关键

Frame selection is the whole game: notes on making LLMs watch video

给LLM看视频而非文章，能让模型直接观察原始画面，避免人类作者的筛选偏差。当前视频理解的最大瓶颈是token预算，均匀采样往往埋没关键帧。我开发了一套工程方案，通过动态场景检测、三通道去重（全局、动作、静态细节）以及将字幕与关键帧精准融合，在有限预算内提取最有价值的画面。这套工具已开源，支持通过MCP协议让Claude Desktop等客户端直接调用，让LLM真正“看懂”视频内容。