Videos lehren Menschen. Jetzt lehren sie deine KI.

Was ist video-to-skill?

video-to-skill (V2S) ist ein kostenloses Open-Source-Werkzeug, das jedes Tutorial-Video — eine YouTube-URL oder eine lokale Datei — in einen installierbaren, durch Ausführung geprüften Skill für KI-Coding-Agenten verwandelt. Es sieht sich das Video an, liest den Text auf dem Bildschirm, testet jeden Schritt, den es notiert, und übergibt deinem Agenten einen Skill, den er tatsächlich ausführen kann.

Ein einziger Befehl installiert es:

npx skills@latest add brenoepics/video-to-skill

Seit v0.2.3 wird ein erzeugter Skill für jeden auf dem Rechner erkannten Agenten installiert — Claude Code, Codex, Cursor, Gemini CLI, GitHub Copilot, OpenCode und Amp — als eine echte Kopie in ~/.agents/skills und ein relativer Symlink von jedem der anderen. Eine einzige Quelle der Wahrheit, sodass ein späteres Update alle erreicht.

Warum das Transkript allein nicht reicht

video-to-skill liest den Bildschirmtext aus den Einzelbildern und nicht nur das Audiotranskript, denn ein Transkript verliert genau die Details, die einen Schritt ausführbar machen. Drei Hörfehler aus echten Durchläufen:

Bildschirmtext schlägt Erzählung an jeder Stelle der Verarbeitung: Befehle werden von Pixeln abgelesen, nie paraphrasiert. Jeder Schritt trägt außerdem die Herkunft [t=MM:SS] und das Einzelbild, aus dem er gelesen wurde, sodass sich jede Aussage an genau der Sekunde des Videos überprüfen lässt, aus der sie stammt.

Wie die Prüfung funktioniert

Die Prüfung in video-to-skill übernimmt ein frischer Sub-Agent in einer Sandbox, der ausschließlich das erzeugte Paket sieht und niemals das Video. Er führt jeden Schritt gegen dessen eigene Erfolgskriterien aus, und das Abzeichen ist das, was der Lauf verdient hat:

• ✅ geprüft — der Schritt lief und erfüllte seine Erfolgskriterien.
• 🟡 teilweise geprüft — einige Kriterien wurden erfüllt, andere ließen sich nicht überprüfen.
• ⚠ nicht geprüft — der Schritt ließ sich nicht ausführen, und der Skill sagt das auch.

Schritte, deren Ausführung unsicher wäre, werden per Richtlinie übersprungen und als übersprungen gekennzeichnet — nie stillschweigend grün gefärbt.

Eine Reparatur aus einem echten Lauf: der Einfügeschritt eines Tutorials wurde zu "+P kompiliert, das aus Vims internem Register einfügt statt aus der Systemzwischenablage. Die Sandbox führte ihn aus, das Kriterium schlug fehl, die Reparaturschleife korrigierte ihn zu "+p, und der erneute Lauf prüfte das Einfügen gegen die echte macOS-Zwischenablage.

Schritte, bei denen sich die Verarbeitung nicht sicher ist, werden mit dem Hinweis auf geringe Konfidenz ausgeliefert statt stillschweigend mitzulaufen, und ein Video ohne jede Handlungsanweisung wird mit einem Analysebericht abgelehnt, statt zu erfundenen Schritten verarbeitet zu werden.

Wie ein Skill über mehrere Videos wächst

Ein zweites Video derselben Aufgabe in einen bestehenden Skill einzufügen stärkt ihn, statt ihn zu überschreiben: Übereinstimmungen zwischen beiden Videos erhalten eine doppelte Herkunft, Widersprüche werden zu belegten Varianten statt zu stillen Ersetzungen, und ein Abschnitt Quellen hält die Zusammenführungshistorie fest. Jede Zusammenführung entwertet das Abzeichen — vor der Neuinstallation läuft die Prüfung erneut.

Wie sich V2S einordnet

video-to-skill steht neben zwei vertrauten Werkzeugfamilien und erledigt eine andere Aufgabe als beide. Video-zu-Dokument-Werkzeuge machen aus einem Video einen Text für Menschen; Workflow-Rekorder machen aus einer Sitzung, die du selbst durchführst, eine Anleitung für Menschen. V2S macht aus einem Video, das du nicht aufgenommen hast, Schritte, die ein Agent ausführen kann.

Der entscheidende Unterschied: Ein Dokument erklärt einem Menschen einen Ablauf, während ein Skill einem Agenten Schritte übergibt, die er ausführen kann — jeder davon vor der Auslieferung schon einmal in der Sandbox gelaufen.

Leistung

video-to-skill hat ein zweiminütiges 720p-Tutorial auf einem Apple M5 mit Metal-Beschleunigung in 3,3 Sekunden Laufzeit vollständig verarbeitet — das 36,5-Fache der Echtzeit. Derselbe Clip braucht auf einem GitHub-macOS-Runner mit 3 Kernen und ohne GPU 67,5 Sekunden, also das 1,8-Fache. Die Transkription allein läuft lokal mit dem 8,0-Fachen und in der CI mit dem 1,3-Fachen.

Beide Werte sind auf deiner eigenen Hardware reproduzierbar — dieselbe Testreihe gibt dieselbe Tabelle aus:

vts-extract bench

Die CI-Werte stammen von geteilten virtuellen Maschinen mit 3 Kernen ohne Metal-Beschleunigung und markieren damit das langsame Ende der Spanne, nicht den Normalfall.

Datenschutz und Sicherheit

video-to-skill läuft vollständig auf deinem eigenen Rechner. Das Video verlässt ihn nie, und nur die Einzelbilder, die der Agent selbst zur Ansicht auswählt, gelangen überhaupt in den Modellkontext. Es gibt keine Konten, keine API-Schlüssel und keine Telemetrie.

Ein Video ist nicht vertrauenswürdige Eingabe, die auf ausführbare Schritte zuläuft — deshalb sind die Grenzen ausdrücklich gezogen. Jeder Download ist per Prüfsumme festgenagelt und trägt eine GitHub-Build-Provenance-Attestierung, die du selbst mit gh attestation verify kontrollieren kannst. Der Compiler weist Zeichenketten zurück, die wie Geheimnisse aussehen, ebenso Skripte nach dem Muster Herunterladen-und-Ausführen, und Text im Video, der sich direkt an den Agenten richtet, gilt als mutmaßliche Prompt-Injection und wird nicht als Anweisung befolgt.

Grenzen

video-to-skill ist am stärksten bei Screencasts, Kommandozeilen- und Oberflächen-Tutorials sowie Vorträgen. Schnelle physische Vorführungen verlieren Bewegungsdetails zwischen den Schlüsselbildern. Aussagen, die sich nur an der grafischen Oberfläche zeigen, lassen sich unter Umständen nicht durch Ausführung prüfen — sie werden entsprechend gekennzeichnet ausgeliefert und nicht hinter dem Abzeichen versteckt. Videos ohne Handlungsanweisung werden abgelehnt statt zu erfundenen Schritten verarbeitet, und Schritte mit geringer Konfidenz werden markiert ausgeliefert.

Unterstützte Plattformen sind macOS, mit Metal-Beschleunigung auf Apple Silicon, und Linux.