Los videos enseñan a las personas. Ahora enseñan a tu IA.

¿Qué es video-to-skill?

video-to-skill (V2S) es una herramienta gratuita y de código abierto que convierte cualquier video tutorial —una URL de YouTube o un archivo local— en una habilidad instalable y verificada por ejecución para agentes de IA de programación. Mira el video, lee el texto de la pantalla, prueba cada paso que anota y le entrega a tu agente una habilidad que realmente puede ejecutar.

Un solo comando lo instala:

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

Desde la v0.2.3, la habilidad generada se instala para todos los agentes detectados en la máquina —Claude Code, Codex, Cursor, Gemini CLI, GitHub Copilot, OpenCode y Amp— como una copia real en ~/.agents/skills y un enlace simbólico relativo desde cada uno de los demás. Una sola fuente de verdad, así que una actualización posterior llega a todos.

Por qué la transcripción por sí sola no basta

video-to-skill lee el texto en pantalla directamente de los fotogramas, no solo la transcripción del audio, porque una transcripción pierde justo los detalles que hacen que un paso se pueda ejecutar. Tres errores de audición registrados en ejecuciones reales:

El texto en pantalla tiene prioridad sobre la narración en todo el proceso: los comandos se leen de los píxeles, nunca se parafrasean. Cada paso lleva además la procedencia [t=MM:SS] y el fotograma del que se leyó, de modo que cualquier afirmación se puede contrastar con el segundo exacto del video del que salió.

Cómo funciona la verificación

La verificación en video-to-skill la hace un subagente nuevo, en un entorno aislado, que solo ve el paquete generado y nunca el video. Ejecuta cada paso contra los criterios de éxito de ese paso, y la insignia es la que la ejecución se haya ganado:

• ✅ verificado: el paso se ejecutó y cumplió sus criterios de éxito.
• 🟡 verificado parcialmente: algunos criterios se cumplieron y otros no se pudieron comprobar.
• ⚠ sin verificar: el paso no se pudo ejecutar, y la habilidad lo dice.

Los pasos cuya ejecución sería insegura se omiten por política y se marcan como omitidos, nunca reciben un verde silencioso.

Una reparación de una ejecución real: el paso de pegar de un tutorial se compiló como "+P, que pega desde el registro interno de Vim y no desde el portapapeles del sistema. El entorno aislado lo ejecutó, el criterio falló, el bucle de reparación lo corrigió a "+p y la nueva ejecución verificó el pegado contra el portapapeles real de macOS.

Los pasos de los que el proceso no está seguro se publican marcados como de baja confianza en lugar de pasar en silencio, y un video que no contiene ningún procedimiento se rechaza con un informe de análisis en vez de convertirse en pasos inventados.

Cómo crece una habilidad con varios videos

Incorporar un segundo video de la misma tarea a una habilidad existente la refuerza en lugar de sobrescribirla: las coincidencias entre ambos videos ganan doble procedencia, las discrepancias se convierten en variantes citadas en vez de reemplazos silenciosos, y una sección de Fuentes registra el historial. Cada incorporación invalida la insignia: la verificación vuelve a ejecutarse antes de reinstalar.

Cómo se compara V2S

video-to-skill convive con dos familias de herramientas conocidas y hace un trabajo distinto al de ambas. Las herramientas de video a documento convierten un video en un texto para una persona; los grabadores de flujos de trabajo convierten una sesión que tú realizas en una guía para una persona. V2S convierte un video que no grabaste en pasos que un agente puede ejecutar.

La distinción que importa: un documento le explica un procedimiento a una persona, mientras que una habilidad le entrega a un agente pasos que puede ejecutar, cada uno ya ejecutado una vez en un entorno aislado antes de publicarse.

Rendimiento

video-to-skill procesó un tutorial de 2 minutos en 720p de principio a fin en 3,3 segundos de tiempo real de ejecución —36,5 veces la duración del video— en un Apple M5 con aceleración Metal. El mismo clip tarda 67,5 segundos, es decir 1,8 veces, en un runner de macOS de GitHub con 3 núcleos y sin GPU. Solo la transcripción va a 8,0 veces en local y 1,3 en CI.

Ambas cifras se pueden reproducir en tu propio equipo, porque la misma batería imprime la misma tabla:

vts-extract bench

Las cifras de CI vienen de máquinas virtuales compartidas de 3 núcleos sin aceleración Metal, así que son el extremo lento del rango, no el caso típico.

Privacidad y seguridad

video-to-skill se ejecuta íntegramente en tu propia máquina. El video nunca sale de ella y solo los fotogramas que el agente decide inspeccionar llegan al contexto del modelo. No hay cuentas, ni claves de API, ni telemetría.

Un video es una entrada no confiable que avanza hacia pasos ejecutables, así que las fronteras son explícitas. Cada descarga está fijada por checksum y lleva un certificado de procedencia de compilación de GitHub que puedes comprobar tú mismo con gh attestation verify. El compilador rechaza cadenas con aspecto de secreto y scripts del tipo descargar-y-ejecutar, y el texto de un video que se dirige al agente se trata como sospecha de inyección de prompt en lugar de seguirse como instrucción.

Limitaciones

video-to-skill funciona mejor con grabaciones de pantalla, tutoriales de terminal y de interfaz gráfica, y charlas. Las demostraciones físicas rápidas pierden detalle de movimiento entre fotogramas clave. Las afirmaciones que solo se ven en la interfaz gráfica pueden no ser verificables por ejecución: se publican etiquetadas como tales, no escondidas detrás de la insignia. Los videos sin procedimiento se rechazan en vez de convertirse en pasos inventados, y los pasos de baja confianza se publican señalados.

Las plataformas compatibles son macOS, con aceleración Metal en Apple Silicon, y Linux.