How do I install the Glm 5.3 Flash Vision Video RAG skill?

Run npx skillmds@latest add liangdabiao/glm-5-3-flash-vision-video-rag in your terminal (requires Node.js), paste this page's agent-chat prompt into Claude, Cursor, or any MCP-connected agent, or download the SKILL.md file and copy it into your agent's skills directory.

Is Glm 5.3 Flash Vision Video RAG safe to use?

This skill has not completed SkillMD's automated safety review yet. SkillMD never runs a skill's scripts for you; review the SKILL.md before installing.

Which AI agents work with Glm 5.3 Flash Vision Video RAG?

This skill is tagged as working with Claude Code, Claude.ai, OpenAI Codex. SKILL.md is an open format, so most agents that read a skills directory can load it too.

Is Glm 5.3 Flash Vision Video RAG free to use?

Yes. Installing skills from SkillMD is free, and the skill stays under its author's original license.

Who published Glm 5.3 Flash Vision Video RAG?

liangdabiao (@liangdabiao) published this skill. Their other Agent Skills are listed on their SkillMD profile.

Glm 5.3 Flash Vision Video RAG by liangdabiao

Name: Glm 5.3 Flash Vision Video RAG
Author: liangdabiao

Glm 5.3 Flash Vision Video RAG

基于智谱GLM-5.3-Flash视觉大模型的视频理解与问答（video RAG）。当用户提到视频、录像、mp4、监控、游戏录像、影片、动画，并想提问、查找、定位、总结或理解其内容，或问"什么时候发生的"、"某一秒在干什么"、要时间戳定位、片段回放时，使用本skill。支持剧情理解、事件时间线、OCR字幕/HUD识别；回答带 [MM:SS] 时间戳引用，并生成可播放片段与关键帧展示给用户。无音频分析能力。（GLM 版本；DeepSeek 版为 deepseek-v4-flash-vision-video-rag）

liangdabiao Updated Sep 17, 2026

File contents

GLM-5.3-Flash Vision Video RAG

让 GLM-5.3-Flash 视觉大模型"看懂"一段视频：先按时间轴抽帧阅读、建立索引（一次性、缓存复用），再对用户问题做本地粗筛 → 视觉精排 → 深读回答，回答带 [MM:SS] 时间戳引用，并自动切出可播放片段、关键帧和自包含 HTML 预览。

模型没有音频模态——所有理解基于画面（如实告知用户）。与 DeepSeek 姊妹版同构；差异详见 references/api-notes.md。

环境要求

Python：openai；ffmpeg/ffprobe 必须在 PATH
API key：环境变量 GLM_API_KEY 或 ~/.glm_api_key 首行（代码不内置密钥）

工作流

第 1 步：建索引（每份视频一次）

python scripts/ingest.py "<视频路径>"

宏观抽帧密度自适应：≤60s→1fps，≤10min→0.5fps，≤30min→0.25fps，更长→0.1fps （--fps 覆盖）。30s 视频约 20 秒完成。参数：--force｜--limit-frames N｜--clean。

第 2 步：提问

python scripts/ask.py "<视频路径>" "问题"

本地粗筛 → 视觉精排 top3 段 → 深读选中段全部帧（effort=high，预算给足）→ 带 [MM:SS] 引用的回答。微观层自动触发：动作类问题（瞄准/击杀/瞬间/轨迹…）命中时对运动最强时刻抽 12fps 中心放大追加分析；--micro 00:04-00:07 强制窗口， --no-micro 禁用。

stdout 分段：答案 / 引用时刻 / 关键帧 / 可播放片段 / 预览（均在 ./video-vision-out/）。

第 3 步：展示

优先把 HTML 预览或片段 mp4/关键帧 jpg 路径给用户双击打开；inline 展示只作补充。

python scripts/show.py "<视频>" --at 00:07          # 该时刻帧
python scripts/show.py "<视频>" --clip 00:05-00:12  # 可播放片段
python scripts/show.py "<视频>" --micro 00:04       # 高帧率放大序列

回答规范

以脚本答案为事实基础，保留 [MM:SS] 标记；提醒时间戳是采样估计（±2s）
无音频相关问题明确说明；"帧内容不足"时如实转告
展示必须给可打开的本地路径

注意事项

深读/微观 max_tokens 已按"模型始终思考"给足；不要调小（会空回复）
排错先读 references/api-notes.md

---name: glm-5-3-flash-vision-video-ragdescription: 基于智谱GLM-5.3-Flash视觉大模型的视频理解与问答（video RAG）。当用户提到视频、录像、mp4、监控、游戏录像、影片、动画，并想提问、查找、定位、总结或理解其内容，或问"什么时候发生的"、"某一秒在干什么"、要时间戳定位、片段回放时，使用本skill。支持剧情理解、事件时间线、OCR字幕/HUD识别；回答带 [MM:SS] 时间戳引用，并生成可播放片段与关键帧展示给用户。无音频分析能力。（GLM 版本；DeepSeek 版为 deepseek-v4-flash-vision-video-rag）---# GLM-5.3-Flash Vision Video RAG让 GLM-5.3-Flash 视觉大模型"看懂"一段视频：先按时间轴抽帧阅读、建立索引（一次性、缓存复用），再对用户问题做本地粗筛 → 视觉精排 → 深读回答，回答带 `[MM:SS]` 时间戳引用，并自动切出可播放片段、关键帧和自包含 HTML 预览。模型没有音频模态——所有理解基于画面（如实告知用户）。与 DeepSeek 姊妹版同构；差异详见 `references/api-notes.md`。## 环境要求- Python：`openai`；**ffmpeg/ffprobe 必须在 PATH**- API key：环境变量 `GLM_API_KEY` 或 `~/.glm_api_key` 首行（代码不内置密钥）## 工作流### 第 1 步：建索引（每份视频一次）```bashpython scripts/ingest.py "<视频路径>"```宏观抽帧密度自适应：≤60s→1fps，≤10min→0.5fps，≤30min→0.25fps，更长→0.1fps（`--fps` 覆盖）。30s 视频约 20 秒完成。参数：`--force`｜`--limit-frames N`｜`--clean`。### 第 2 步：提问```bashpython scripts/ask.py "<视频路径>" "问题"```本地粗筛 → 视觉精排 top3 段 → 深读选中段全部帧（effort=high，预算给足）→带 `[MM:SS]` 引用的回答。**微观层自动触发**：动作类问题（瞄准/击杀/瞬间/轨迹…）命中时对运动最强时刻抽 12fps 中心放大追加分析；`--micro 00:04-00:07` 强制窗口，`--no-micro` 禁用。stdout 分段：答案 / 引用时刻 / 关键帧 / 可播放片段 / 预览（均在 ./video-vision-out/）。### 第 3 步：展示优先把 HTML 预览或片段 mp4/关键帧 jpg 路径给用户双击打开；inline 展示只作补充。```bashpython scripts/show.py "<视频>" --at 00:07 # 该时刻帧python scripts/show.py "<视频>" --clip 00:05-00:12 # 可播放片段python scripts/show.py "<视频>" --micro 00:04 # 高帧率放大序列```## 回答规范- 以脚本答案为事实基础，保留 `[MM:SS]` 标记；提醒时间戳是采样估计（±2s）- 无音频相关问题明确说明；"帧内容不足"时如实转告- 展示必须给可打开的本地路径## 注意事项- 深读/微观 max_tokens 已按"模型始终思考"给足；不要调小（会空回复）- 排错先读 `references/api-notes.md`

Frequently asked questions