Vídeos ensinam pessoas. Agora eles ensinam a sua IA.

O que é o video-to-skill?

O video-to-skill (V2S) é uma ferramenta gratuita e de código aberto que transforma qualquer vídeo tutorial — uma URL do YouTube ou um arquivo local — em uma habilidade instalável e verificada por execução para agentes de IA de programação. Ele assiste ao vídeo, lê o texto na tela, testa cada passo que anota e entrega ao seu agente uma habilidade que ele realmente consegue executar.

Um único comando instala tudo:

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

Desde a v0.2.3, a habilidade gerada é instalada para todos os agentes detectados na máquina — Claude Code, Codex, Cursor, Gemini CLI, GitHub Copilot, OpenCode e Amp — como uma cópia real em ~/.agents/skills e um link simbólico relativo a partir de cada um dos outros. Uma única fonte da verdade, então uma atualização posterior alcança todos eles.

Por que só a transcrição não basta

O video-to-skill lê o texto na tela a partir dos quadros, não apenas a transcrição do áudio, porque a transcrição perde justamente os detalhes que tornam um passo executável. Três erros de audição registrados em execuções reais:

O texto na tela tem prioridade sobre a narração em todo o processo: comandos são lidos dos pixels, nunca parafraseados. Cada passo também carrega a origem [t=MM:SS] e o quadro de onde foi lido, então qualquer afirmação pode ser conferida no segundo exato do vídeo de onde veio.

Como funciona a verificação

A verificação no video-to-skill é feita por um subagente novo, em ambiente isolado, que vê apenas o pacote gerado e nunca o vídeo. Ele executa cada passo contra os critérios de sucesso daquele passo, e o selo é aquele que a execução conquistou:

• ✅ verificado — o passo foi executado e cumpriu seus critérios de sucesso.
• 🟡 parcialmente verificado — alguns critérios passaram, outros não puderam ser conferidos.
• ⚠ não verificado — o passo não pôde ser executado, e a habilidade diz isso.

Passos cuja execução seria arriscada são pulados por política e marcados como pulados — nunca recebem um verde silencioso.

Um conserto de uma execução real: o passo de colar de um tutorial foi compilado como "+P, que cola do registrador interno do Vim, e não da área de transferência do sistema. O ambiente isolado executou, o critério falhou, o laço de reparo corrigiu para "+p e a nova execução verificou a colagem na área de transferência real do macOS.

Passos sobre os quais o processo tem dúvida são publicados marcados como de baixa confiança, em vez de passarem em silêncio, e um vídeo sem procedimento algum é recusado com um relatório de análise, em vez de virar passos inventados.

Como uma habilidade cresce com vários vídeos

Incorporar um segundo vídeo da mesma tarefa a uma habilidade existente a fortalece em vez de sobrescrevê-la: as concordâncias entre os dois vídeos ganham dupla origem, as divergências viram variantes com citação em vez de substituições silenciosas, e uma seção Fontes registra o histórico. Cada incorporação invalida o selo — a verificação roda de novo antes da reinstalação.

Como o V2S se compara

O video-to-skill fica ao lado de duas famílias de ferramentas conhecidas e faz um trabalho diferente das duas. Ferramentas de vídeo para documento transformam um vídeo em um texto para uma pessoa; gravadores de fluxo de trabalho transformam uma sessão que você executa em um guia para uma pessoa. O V2S transforma um vídeo que você não gravou em passos que um agente consegue executar.

A diferença que importa: um documento explica um procedimento a uma pessoa, enquanto uma habilidade entrega a um agente passos que ele consegue executar — cada um já executado uma vez em ambiente isolado antes de ser publicado.

Desempenho

O video-to-skill processou um tutorial de 2 minutos em 720p de ponta a ponta em 3,3 segundos de tempo real de execução — 36,5x o tempo do vídeo — em um Apple M5 com aceleração Metal. O mesmo trecho leva 67,5 segundos, ou 1,8x, em um runner macOS do GitHub com 3 núcleos e sem GPU. Só a transcrição roda a 8,0x localmente e 1,3x na CI.

Os dois números são reproduzíveis no seu próprio hardware — a mesma bateria de testes imprime a mesma tabela:

vts-extract bench

Os números da CI vêm de máquinas virtuais compartilhadas de 3 núcleos sem aceleração Metal, então representam o extremo lento da faixa, não o caso típico.

Privacidade e segurança

O video-to-skill roda inteiramente na sua própria máquina. O vídeo nunca sai dela, e apenas os quadros que o agente escolhe inspecionar chegam ao contexto do modelo. Não há contas, chaves de API nem telemetria.

Um vídeo é uma entrada não confiável que caminha em direção a passos executáveis, então as fronteiras são explícitas. Todo download é fixado por checksum e vem com um atestado de proveniência de build do GitHub que você mesmo pode conferir com gh attestation verify. O compilador rejeita textos com cara de segredo e scripts do tipo baixar-e-executar, e um texto no vídeo que se dirija ao agente é tratado como suspeita de injeção de prompt, nunca seguido como instrução.

Limitações

O video-to-skill funciona melhor com gravações de tela, tutoriais de terminal e de interface gráfica e palestras. Demonstrações físicas rápidas perdem detalhes de movimento entre os quadros-chave. Afirmações só de interface gráfica podem ser impossíveis de verificar por execução — essas são publicadas com essa marcação, não escondidas atrás do selo. Vídeos sem procedimento são recusados em vez de virarem passos inventados, e passos de baixa confiança são publicados sinalizados.

As plataformas suportadas são macOS, com aceleração Metal em Apple Silicon, e Linux.