把视频变成图文学习笔记：我做了一个 video-learning-notes Skill
video-learning-notes 封面大家好，我是诺亚。
最近我把一个新的 Skill 上传到了 ClawHub：video-learning-notes。
它解决的是一个很常见、但一直不太省心的问题：
看完一个课程视频、技术演示或访谈之后，怎么把里面真正有价值的内容，整理成一份可以复习、可以检索、也可以二次创作的学习笔记？
普通的“视频总结”往往只做一件事：把字幕丢给大模型，让它生成一段摘要。
但真实学习场景里，光有文字并不够。很多信息藏在画面里：PPT、代码、图表、公式、白板、产品界面、操作步骤……这些内容如果没有截图和时间戳，笔记就会少掉一大块上下文。
所以我做了这个 Skill：
它不是简单把视频转成文字，而是把视频整理成一份带字幕、带截图、带结构的 Markdown 学习笔记。
video-learning-notes 是什么？
一句话概括：
video-learning-notes 是一个“视频 → 字幕 + 关键截图 → 结构化学习笔记”的 Agent 工作流。
你给它一个视频 URL，或者一个本地视频文件，它会按照一套固定流程完成：
- 使用 qwen-audio / STT 生成带时间戳的字幕
- 最后生成一份图文结合的 Markdown 学习笔记
最终得到的不是一段泛泛的总结，而是一个完整的学习资料文件夹。
里面通常会包含：
video_learning_notes.md 最终学习笔记
这份 Markdown 可以继续编辑、归档、发布，也可以放进你的知识库里检索。
为什么不只做字幕总结？
因为视频学习的核心信息，很多时候并不只在声音里。
比如一个教程视频里，讲师说：
“这里我们把参数调到 0.3，然后看右侧输出。”
如果只有字幕，你只知道“调到 0.3”，但不知道：
再比如：
这些内容如果不保留画面，学习笔记就会变成“半成品”。
所以 video-learning-notes 的核心思路是：
字幕负责表达逻辑，截图负责保存上下文。两者结合，才更接近真正可复习的学习笔记。
它的工作流是怎样的？
整个过程可以简单理解成 4 步。
1. 先拿到视频和字幕
你可以给它一个在线视频链接，也可以给本地视频文件。
Skill 会先把视频保存到独立目录里，然后通过语音识别生成带时间戳的字幕。时间戳很重要，因为后面笔记里的截图和段落都要靠它对齐。
2. 从视频里找出候选画面
接下来，它会从视频里提取截图。
这里不是机械地每隔几十秒截一张，而是优先捕捉画面变化比较明显的位置，比如切换 PPT、打开新界面、展示图表或代码的时刻。
这样得到的截图更容易包含有学习价值的信息。
3. 筛掉没用的截图
候选截图不会全部放进笔记。
它会结合字幕上下文，只保留真正有用的画面，比如：
像重复画面、模糊画面、片头片尾、纯讲人头部镜头，就会被跳过。
4. 生成图文学习笔记
最后，它会把字幕内容重新整理成结构化 Markdown，而不是直接粘贴原始字幕。
一份典型笔记会包括：
也就是说，它输出的是一份可以继续编辑、复习、归档的学习资料，而不是一段一次性摘要。
它适合哪些场景？
我做这个 Skill，主要是为了下面几类内容。
课程视频
比如 AI、编程、金融、设计、产品、运营类课程。
课程视频通常信息密度高，单纯看完很容易忘。整理成图文笔记之后，更适合二次复习。
技术教程
技术教程里经常有代码、命令行、配置文件、UI 操作。
这些内容只转文字会损失大量细节，必须保留关键截图。
产品演示和工具教程
对于工具类视频，界面状态和操作路径非常关键。
截图可以帮助你在回看笔记时快速定位：“当时到底点了哪里？”
访谈和知识分享
访谈类视频虽然画面信息少一些，但仍然可以用字幕做结构化整理，生成摘要、观点、金句、主题索引和复习问题。
后续写作素材
如果你经常把视频内容改写成文章、公众号、课程笔记或研究资料，video-learning-notes 可以作为前置整理步骤。
它先把视频变成结构化素材，再交给后续写作工作流处理。
在 OpenClaw 里使用
我已经把这个 Skill 上传到了 ClawHub。
地址是：
https://clawhub.ai/darknoah/video-learning-notes
如果你使用 OpenClaw，可以从这个页面添加并使用。
使用时，给 Agent 一个视频链接或本地视频文件，然后提出类似这样的需求：
请把这个视频整理成一份图文学习笔记。
或者：
下载这个视频，转写字幕，提取关键截图，并生成 Markdown 学习笔记。
Agent 会根据 Skill 的说明，按工作流完成下载、转写、抽帧、筛图和写作。
一个实际案例
举个例子，我用下面这个提示词测试过：
https://www.youtube.com/watch?v=f-YB3Qdw_EU制作学习笔记
最终得到的是一份关于“5 分钟日内交易策略”的图文学习笔记。
它不是只输出一段摘要，而是把视频内容整理成了分段笔记：每个部分都有时间范围、核心说明、参数解释、表格化对比，以及对应的关键截图。
比如在这个案例里，笔记会保留：
- Williams Fractals 的参数设置截图
- EMA20 / EMA50 / EMA100 的说明和用途表格
这是最终 Markdown 笔记的预览效果：
video-learning-notes 案例效果截图从这个例子里可以看到，video-learning-notes 更像是在帮你做一份“可复习的课程讲义”，而不是做一个简单的视频概括。
在 Codex 中使用
这个 Skill 的项目地址在这里：
https://github.com/skills-router/skills-store/blob/main/skills/video-learning-notes/SKILL.md
如果你在 Codex 里使用 Skills，也可以把这个 Skill 添加进去。
添加后，你只需要给 Codex 一个视频链接，再说明“制作学习笔记”，它就会按照 Skill 里的流程去处理：下载视频、识别字幕、提取关键截图，并整理成 Markdown。
使用前需要注意什么？
这个 Skill 不是魔法按钮，它更像是一套可复用的 Agent 工作规范。
所以使用前，最好确认几件事。
1. 下载权限要合法可用
如果视频是公开视频，通常可以直接处理。
如果视频需要登录、会员权限、地区权限或私有访问，Agent 不应该绕过限制，而是需要你提供可访问环境、cookies 或本地文件。
2. 本地环境要能处理视频
如果是在本地或 Codex 环境里使用，需要提前准备好视频下载、音视频处理和语音识别能力。
如果你使用的是 OpenClaw，则主要看当前 Agent 环境是否已经配置好这些能力。
3. 长视频会产生较多文件
一个完整工作区会包含视频、音频、字幕和截图。
如果视频很长，建议提前准备好足够的磁盘空间，并控制抽帧数量。
4. 关键截图仍需要筛选
我没有把所有候选帧都塞进最终笔记。
因为学习笔记的目标不是“截图越多越好”，而是“每一张截图都应该有信息增量”。
这一点也是这个 Skill 和粗暴自动摘要最大的区别。
我希望它解决的问题
现在很多人都在用 AI 总结视频。
但我的感受是：总结不等于学习笔记。
总结可以帮你快速知道视频大概讲了什么。
学习笔记则需要做到更多：
video-learning-notes 想做的，就是把“看完一个视频”之后那段繁琐的整理工作，变成一个可重复执行的流程。
它不追求把人完全排除在外，而是把最机械的部分交给 Agent：下载、转写、抽帧、建目录、生成骨架。
然后把真正需要判断力的部分——哪些画面有学习价值、如何组织成笔记——放到更清晰的流程里完成。
结语
如果你经常看课程、技术教程、产品演示，或者经常需要把视频整理成文章素材，可以试试这个 Skill。
ClawHub 地址：
https://clawhub.ai/darknoah/video-learning-notes
项目地址：
https://github.com/skills-router/skills-store/blob/main/skills/video-learning-notes/SKILL.md
我后面也会继续把一些自己常用的工作流整理成 Skill，让 Agent 不只是“聊天”，而是能稳定地完成一整套可复用任务。
