开发者在V2EX分享了开源小工具rea-game，用于把游戏录像整理成可直接用于原型开发的结构化材料。该工具针对的痛点是：游戏原型设计阶段参考录像时，画面中确实发生的现象、推测背后的规则、以及无法确认的信息往往混杂在脑中，难以转化为可靠的开发依据。工作流程分三步：首先用FFmpeg从本地游戏录像中按时间点提取画面并记录时间戳；随后人工核对画面与对应视频片段，将观察结果、推断、未确认问题和实现建议分别写入review文件；最后运行命令生成Markdown报告，内容涵盖玩法循环、交互设计、界面、视听表现、待确认问题及一份原型实现计划。作者强调工具本身不会自动看懂视频，分析工作仍需人工完成，也可借助支持视觉输入的AI助手协助；工具的职责是组织证据与结论，并校验时间戳和格式，尽量避免把猜测误写成已确认规则。项目采用MIT许可开源，基于Python和FFmpeg构建，全部在本地处理视频，无需API Key，目前需从源码克隆安装，通过pip安装后即可使用rea-game extract命令提取画面，代码托管在GitHub。
事件分析
从技术实现看，rea-game并未引入视频理解模型，而是聚焦工作流的结构化：用FFmpeg完成帧提取与时间戳管理，用固定格式的review文件强制区分观察、推断、待确认三类信息，从流程上抑制主观臆测污染设计文档的风险。这种AI辅助加人工核验加工具约束的组合，正是当前开发者利用多模态大模型视觉能力的常见范式。其全本地化、无API依赖的设计降低了使用门槛，也契合数据隐私考量。局限在于自动化程度有限，帧提取后的分析仍高度依赖人工投入。后续若接入视觉模型自动生成初版观察记录，或与游戏引擎原型模板打通，工具价值可能进一步放大。这类垂直场景开源小工具的涌现，也反映出AI应用正从通用助手向细分工作流深度渗透。
核心观点：工具价值不在看懂视频，而在于把AI时代的经验观察沉淀为可校验的结构化开发流程。
原文链接：V2EX 分享发现
