优化通用视频多模态解析与本地模型总结

[Entropy-R]

改动内容

• 保留默认快速解析流程，新增显式 --with-vision 多模态解析模式。
• 接入本机 Ollama/Qwen3-VL 完成关键帧理解和默认最终总结，同时保留 OpenAI 兼容 API 路径。
• 根据视频时长自适应采样，加入镜头检测、感知哈希去重、视觉批次降级和阶段缓存。
• 将字幕/语音与画面证据按时间轴融合，压缩重复 OCR，并优先保留命令、URL 等关键字面证据。
• 改进 B 站自动字幕识别、登录态提示、Whisper 上下文和运行元数据。
• 明确“快速解析”和“多模态解析”两种产品模式，并新增 32 项自动化测试。

原因与影响

原流程只依赖字幕或 Whisper，容易遗漏 PPT、代码、图表和操作步骤。旧视觉链路还存在固定采样、重复画面、上下文冗余和本地模型批次超限问题。本次调整使用通用的时长与内容自适应策略，不包含针对单个视频的规则。

默认行为保持不变：未传 --with-vision 时不下载或分析画面。启用多模态模式后，语音/字幕与画面均作为重要证据；本地测试样本的完整视觉链路耗时由约 20 分 36 秒降低至约 9 分 43 秒。

验证

• python3 -m py_compile video_summary.py
• python3 -m unittest discover -s tests -v（32 项通过）
• docker compose config -q
• git diff --check
• Docker 镜像重建及容器 CLI 文案验证通过
• B 站样本完成缓存与非缓存多模态回归