■ **概要** マルチモーダル動画処理（音声認識→テキスト→VLM理解型図文化→RAG知識ベース）を一気通貫で実行し、全データをローカルに保持するツール。Bilibili/YouTube/ローカル動画対応。 ■ **特徴・用途** - **柔軟な環境適応**: SiliconFlow・Whisper・FunASR・VLM（OpenAI/Anthropic/自定義）を個別選択可能で、オンプレ～クラウド混在環境に対応 - **Agent Skillsとしてエコシステム統合**: CLI/npm + Codex/Claude/Cursor対応で、単独ツール→再利用可能な処理単位へシフト。タスク履歴・設定・知識ベースを共有 - **実用的な学習支援**: 思維導図（ズーム・ドラッグ対応）・セマンティック検索・RAG問答で、コンテンツを「見るだけ」から「体系化する」ツールへ昇華 ■ **結論** 長尺・多言語動画からの知識抽出が実務レベルで成立する実装。ローカルファースト方針とAgent統合により、個人用ナレッジシステムから組織的ワークフロー基盤まで伸張性を持つ。