菜单
動画ファイルからキーフレームを抽出し、軽量モデルのサブエージェントで低コスト分析を実行します。UIバグ検出、画面遷移分析、動画内容の理解などに使用します。フル解析と比べてコストを2桁以上削減可能。
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
基于 SOC 职业分类
repositoryを調査し、`docs/PLAN/YYMMDD_{slug}.md` にPhase、Gate、完了状態、実行ルール、チェック項目を持つ自己完結した永続計画を作成または再構成する。Use when the user asks for simple-plan、チェックリスト式の計画、複数停止点を持つ中規模作業、段階的なapp分割やlocal migration、production前Gate、または既存planの構成変更。単発Sprintでは収まらないが、詳細なworker委任計画までは不要な作業向け。既存planをそのまま実行・再開するだけの場合は使わない。
Cloudflare ベースの新規アプリ設計、または既存アプリを Cloudflare 構成へ大きく移行する前に、短い設計メモを作る。Workers、Agents SDK、Durable Objects、D1、KV、R2、Wrangler、Workers 上の Hono などの構成判断を実装前に整理するときに使う。通常の Cloudflare コード修正だけなら、公式 Cloudflare 実装系 skill を使う。
事前設計が必要な中〜大規模作業について、repositoryを調査し、依存関係・設計境界・worker/model・統合順・完了条件を持つsingle-md実行計画を `docs/PLAN/{YYMMDD}_{slug}.md` に作成してから実行する。局所実装はheadless Cursor CLI、複雑な実装・調査・レビューはmodelを明示したCodex subagent、共有境界・統合・最終判断はmain Codexが担う。短期作業は対象外。Trigger: cursor-agent-delegate、Cursorで計画、worker委任計画、依存関係を設計して実装
Cursor CLI headless worker を使い、ユーザーの実装指示を短いローカル実行計画に分解し、安全に分離できる小タスクだけを `cursor agent --print --yolo --trust --model composer-2.5-fast` に並列委任する。`.codex/tmp/YYMMDD_slug/` 配下で状態を管理し、docs/PLAN を作らず main Codex が統合と検収を行う。Trigger: cursor-agent-sprint-cli、Cursor CLI sprint、headless Cursor Agent 並列実装、CLI worker sprint、 Cursor を使って計画を実装
既存キャラクター画像を、承認制でピクセルアートの正準画像へ変換し、3状態パイロット、クロマ前処理、状態間ジオメトリ検証、9状態生成、遷移QA、仮配置、アプリ内確認、ロールバック可能な正式配置まで行う。キャラクターからCodexペットを作る依頼に加え、ジャンプで小さくなる、状態ごとに身長が変わる、足元が跳ねる、クロマ縁が出る、アニメーションを修復したい依頼で使用する。
Git commit automation for Codex. Use when the user asks for simple-add, a lightweight commit, or committing the current work with an optional push. Trigger: simple-add, simple commit, 軽量コミット, 変更をコミット, コミットして, -p で push
| name | dev:video-analyzer |
| description | 動画ファイルからキーフレームを抽出し、軽量モデルのサブエージェントで低コスト分析を実行します。UIバグ検出、画面遷移分析、動画内容の理解などに使用します。フル解析と比べてコストを2桁以上削減可能。 |
動画ファイルからキーフレームを効率的に抽出し、軽量モデルのサブエージェントで一括分析することで大幅なコスト削減を実現するスキル。
モデル選択: 画像分析・定型パターン認識が主タスクなので、利用可能な中で最も軽量・低コストなモデルを選ぶ（Anthropic なら Haiku 相当、その他ランタイムも同等ティア）。
| 方式 | 5秒動画のコスト | 削減率 |
|---|---|---|
| 通常（全フレーム、高性能モデル） | 約450円 | - |
| キーフレーム抽出（高性能モデル） | 約24円 | 95% |
| キーフレーム + 軽量モデル | 約1円 | 99.8% |
pip install -r skills/video-analyzer/requirements.txt
または個別にインストール:
pip install opencv-python numpy Pillow
Bashツールでスクリプトを実行:
python skills/video-analyzer/scripts/extract_keyframes.py \
/path/to/video.mp4 \
--output /tmp/keyframes/analysis_001/ \
--threshold 0.85 \
--quality 30 \
--scale 0.3
パラメータ:
| パラメータ | デフォルト | 説明 |
|---|---|---|
--threshold, -t | 0.85 | 類似度閾値（低いほど多くのフレームを抽出） |
--quality, -q | 30 | JPEG品質（低いほどファイルサイズ小） |
--scale, -s | 0.3 | 出力サイズの倍率（元の30%） |
--max-frames, -m | 無制限 | 最大抽出フレーム数 |
出力例:
Processing video: /path/to/video.mp4
Duration: 5.00s (150 frames @ 30.00 FPS)
Original size: 1920x1080
Output size: 576x324
============================================================
Extraction Summary
============================================================
Keyframes extracted: 52
Total size: 0.54MB
Estimated tokens: ~10,400
Estimated cost (軽量モデル目安): $0.0026 (~0.4円)
============================================================
サブエージェントを呼び出す。モデルは利用可能な中で最も軽量なものを指定する（直接的なモデル名指定はランタイム差を招くため、プロンプト本文で「軽量モデル想定」と明示する）。
基本的な呼び出し:
サブエージェント呼び出し（軽量モデル推奨）:
subagent_type: general-purpose
description: "Analyze video keyframes"
prompt: (下記参照)
動画から抽出されたキーフレームを分析してください。
キーフレーム出力ディレクトリ: /tmp/keyframes/analysis_001/
以下の手順で実行：
1. Readツールで上記ディレクトリ内の全JPEG画像を読み込む
2. 各フレームの内容を時系列順に分析する
3. 以下の形式でJSON結果を返す:
{
"total_frames": 数値,
"analysis": [
{
"frame": "frame_001.jpg",
"timestamp_approx": "0.0s",
"description": "画面の説明",
"change_from_previous": "前フレームからの変化点"
}
],
"summary": {
"main_flow": "操作フローの概要",
"key_observations": ["重要な観察点"]
}
}
UIバグ検出分析を実行してください。
キーフレームディレクトリ: /tmp/keyframes/bug_report/
以下の観点で各フレームを分析：
1. レイアウト崩れ（要素の重なり、はみ出し）
2. 表示異常（文字化け、画像欠け）
3. 状態不整合（ボタンのdisabled状態、ローディング表示）
4. エラーメッセージの表示
出力形式:
{
"bugs_found": [
{
"frame": "frame_xxx.jpg",
"bug_type": "layout_break",
"description": "詳細説明",
"severity": "high/medium/low"
}
],
"clean_frames": ["問題なしのフレーム一覧"]
}
画面遷移フロー分析を実行してください。
キーフレームディレクトリ: /tmp/keyframes/user_flow/
以下の手順で実行：
1. 全フレームを時系列順に読み込む
2. 各画面のタイプを識別（ログイン、一覧、詳細、モーダル等）
3. 遷移パターンを特定
出力形式:
{
"screens": [
{"frame": "xxx", "screen_type": "login", "key_elements": [...]}
],
"transitions": [
{"from": "login", "to": "dashboard", "trigger": "ログインボタンクリック"}
],
"flow_diagram": "A -> B -> C -> D"
}
50枚以上のキーフレームがある場合、複数のサブエージェント（いずれも軽量モデル推奨）で並列分析:
# 単一メッセージで複数のサブエージェントを同時呼び出し（全て軽量モデルで）
サブエージェント 1:
subagent_type: general-purpose
description: "Analyze keyframes batch 1 (001-020)"
prompt: "フレーム分析 バッチ1（軽量モデル想定）
対象: /tmp/keyframes/video_xxx/frame_001.jpg 〜 frame_020.jpg
..."
サブエージェント 2:
subagent_type: general-purpose
description: "Analyze keyframes batch 2 (021-040)"
prompt: "フレーム分析 バッチ2（軽量モデル想定）
対象: /tmp/keyframes/video_xxx/frame_021.jpg 〜 frame_040.jpg
..."
長時間かかる分析の場合（軽量モデル想定）:
サブエージェント呼び出し:
subagent_type: general-purpose
run_in_background: true
description: "Background analysis of video keyframes"
prompt: "..."
サブエージェントから返された分析結果を元に、レポートを作成する。 複数バッチで並列実行した場合は、結果をマージして時系列順に整理。
| ティア | 例 (Anthropic 価格) | 推奨用途 |
|---|---|---|
| 軽量（推奨） | Haiku — $0.25/1M | 画像分析、定型作業 |
| 中程度 | Sonnet — $3/1M | 中程度の複雑さの分析 |
| 高性能 | Opus — $15/1M | 複雑な設計、重要な判断 |
軽量モデル推奨の理由:
skills/video-analyzer/
├── SKILL.md # このファイル
├── requirements.txt # Python依存関係
└── scripts/
└── extract_keyframes.py # キーフレーム抽出スクリプト
ModuleNotFoundError: No module named 'cv2'
解決: pip install opencv-python numpy Pillow
対応形式: mp4, mov, avi, mkv, webm など一般的な形式 エラーが出る場合は、ffmpegで変換を試す
長時間動画の場合、--max-frames オプションで抽出数を制限