让 Claude Desktop 和 Cursor 真正“看”视频（MCP，全本地）

dev.to 2026-08-03T11:36:57.134072

这周我的 AI 助手学会了看视频。下面用三行说明，告诉你怎么让你的助手也具备这个能力。

claude-real-video（MIT 协议，1.9k stars）可以从任意视频 URL 或本地文件中提取“场景感知、去重后的关键帧”，外加带时间戳的转录文本——所有处理都在你自己的机器上完成。从 0.8.0 版本开始，它自带 MCP 服务器，所以任何 MCP 客户端都可以直接请求视频。

安装：

pip install 'claude-real-video[mcp]'

Claude Code 配置：

claude mcp add crv -- crv-mcp

Claude Desktop 配置——加到 claude_desktop_config.json 里：

{
  "mcpServers": {
    "crv": {
      "command": "crv-mcp"
    }
  }
}

Cursor 以及其他 MCP 客户端：用同样的 stdio 命令 crv-mcp 即可。

你能得到什么

两个工具会出现在对话中：

watch_video(source, max_frames, language, transcribe) —— 下载（URL）或读取（本地文件）视频，在场景切换处提取关键帧，去掉近乎重复的帧，用 Whisper 做转录，然后把转录文本和第一批帧作为图片直接返回对话中。
get_frames(source, start_index, count) —— 翻页查看剩余帧。

每个视频的分析结果会缓存在 ~/.cache/crv-mcp 下，所以针对同一视频的追问可以即时响应。

固定间隔采样会把大量近乎相同的帧浪费在上下文里，同时还容易漏掉快速切换的镜头。场景检测能保留真正有差异的帧：一个 58 秒的测试片段，从 58 个采样帧减少到 26 个关键帧。更少的 token，不遗漏内容。仓库里的 benchmark 文件夹有完整对比，可以自行复现。