通过观看视频学习，已经成为许多人日常获取信息的标配方式。但现实问题是：一个视频动辄二三十分钟甚至更长，完整看完往往非常耗时。尤其是技术类、干货类的长视频，虽然信息密度高，但节奏偏慢，很多时候我们只需要核心结论和关键思路，并不需要逐字逐句听完整个内容。

基于这个痛点，我产生了一个想法：能不能利用大模型先把视频的核心内容自动总结出来，再根据总结来决定哪些部分值得仔细观看？这样一来，学习效率可以大幅提升。

沿着这个思路，经过一番摸索，最终成功搭建了一个视频总结智能体。下面就把核心流程拆解分享出来，希望能给有类似需求的朋友提供一些实用的参考。

第一步，获取视频资源

这里以B站上讲解GPT的一则视频为例。通过扣子平台内的插件，输入视频的URL链接，就能直接下载视频文件。这一步本身没有技术门槛，关键在于选对合适的工具。

第二步，提取视频中的内容

这一步需要处理的是视频的字幕信息。整体分为两个环节：先从视频中分离出音频轨道，再通过ASR（自动语音识别）技术将音频转换为文本。扣子平台虽然提供了对应的插件来执行这两个功能，但实际测试后效果不太理想，因此我选择自行开发了一个专用插件。代码部分借助大模型生成，插件开发完成后发布到工作流中，就可以正常调用了。

第三步，对视频内容进行智能总结

这个视频时长27分钟，而且是英文版本。提取出的字幕文本大约30KB，属于长文本处理的范畴。说到长文本总结，Kimi确实是一个非常得力的工具。它不仅能完成内容的概括提炼，还能直接生成中文版本的核心要点，省去了人工翻译的麻烦。

纯文字版的总结虽然信息完整，但读起来仍然缺乏直观感。在这个基础上，可以再添加一个插件，将Kimi生成的文本内容自动转化为思维导图。这样一来，原本27分钟的长视频，经过智能体处理后，只需几分钟就能轻松掌握所有核心要点，学习效率确实得到了显著提升。

需要说明的是，目前这个智能体只提取了视频的字幕信息进行总结。实际上，还可以进一步扩展，比如提取视频的关键帧，并将它们送入视觉大模型，从而实现更丰富的内容生成或问答交互。这部分就留给有兴趣的朋友继续探索了。