小天fotos·视频笔记：看过的教程死活找不到？一个插件搞定！Indexed
看过的教程死活找不到？一个插件搞定！Indexed
一句话结论：把「看过的东西」从文件系统里解放出来，转成 4096 维向量 + 云端索引，检索就从「记文件名」变成「描述画面」。成本低到可以忽略，而它真正服务的对象不是人，是 Agent。
一、背景：你丢的不是教程，是「寻址能力」
几乎每个学 AI 的人都遇到过同一个场景：
- 半年前刷到一条特别惊艳的视频，当时觉得「这个太有用了」；
- 真正要用的时候，想不起是哪个视频、第几分钟；
- 脑子里明明记得那个画面的样子，但搜索框只认标题和关键词；
- 最后只能在一堆视频里疯狂拖进度条，找了半小时，心态先崩了。
这不是记忆力问题，而是传统检索的粒度太粗。标题、标签、文件名，都是人手动打的「元数据」，而人真正记住的是画面——一张架构图、一次手持跟拍、一个显卡的特写。
视频博主「小天fotos」给出的解法是：装一个浏览器插件，刷视频时在后台自动切片、转成向量、上传到云端索引；之后用一句模糊的画面描述、甚至一张截图，就能把候选片段连时间码一起铺出来，点一下直接跳到那一秒。
这套方案的关键不在于「又一个搜索工具」，而在于它顺手把知识管理的底层逻辑换掉了。下面按「概念 → 成本 → 操作 → 扩展 → 边界」拆开讲。
二、两个必须先讲清楚的概念
1. 向量：把「意思」变成坐标
想象一个二维坐标系：两个点离得越近，代表它们的意思越相近。AI 世界里是同一回事，只是维度从 2 变成了 4096。
一段 10 秒的视频片段，或者一句文字描述，经过嵌入模型（Embedding Model）计算后，都会被压缩成一个 4096 维的数学坐标——这就是向量。
你不需要去想象 4096 维长什么样。只需要记住结论：在这个空间里，一段讲 Agent 架构图的视频画面和用户输入的「智能体工作流」这几个字，坐标距离极其接近。
计算机根本不需要「看懂」视频，它只要算两个点之间的距离，就知道它们有多相似。
2. 索引：只存目录，不搬正文
索引就像一本书前面的目录：不用重复抄写正文，只记住关键词在第几页。
「向量 Bucket」做的就是这件事：
- 你的视频仍然留在原平台上，不用下载、不用买网盘；
- Bucket 里只存一条记录：每 10 秒一段视频所对应的 4096 维坐标；
- 这个坐标指向的，是某平台视频的「第几分第几秒」。
于是你相当于给一生看过的所有视频，建了一本秒级精度的超级目录。
三、成本账：为什么敢推荐给所有人
这部分是全片最有说服力的地方，因为作者是「精打细算过」才推荐的（以下均为视频口播口径）。
| 项目 | 单价 / 额度 |
|---|---|
| 向量与标量数据存储 | 约 0.35 元 / GB / 月 |
| 每月免费写入额度 | 20 GB（未超即写入费为 0） |
| 扫描 1 TB 数据量 | 约 0.012 元 |
| 模型 API 费用 | 0（本地部署模型生成向量） |
用作者自己的数据做实测：
- 31 条视频、总计 4 小时 57 分；
- 按 10 秒切片，生成 1797 条画面向量 + 1793 条字幕向量；
- 另存了清晰的链接与时间码；
- 两份索引合计约 66 MB，月存储费约 0.023 元——两分钱。
按「每天看 1 小时视频」推算，一个月新增索引的存储费约 0.14 元；查询一万次，扫描费几乎可以忽略。
两个必须注意的工程细节：
- 键库与查询必须使用同一个模型、同一个维度，否则算出来的向量不可比，检索结果会直接失准。
- 平台侧相当开放：用百炼的模型、还是用本地模型生成向量，都可以存。省钱的关键就在于——向量在本地生成，云端只负责存和查。
四、插件 Indexed 怎么用
插件在作者 GitHub 仓库里，名字是 Indexed。它的来历值得一提：本来是作者接的一个外包项目，公开版本剪掉了部分商业代码，但灵感与这套价格方案来自那个项目，所以保留了下来。
操作链路很短：
- 装插件：在浏览器里安装后，B 站视频播放页会出现一个插件图标。
- 点一下开始缓存：图标旁会出现一个紫色的点持续走动，表示正在工作。
- 边看边索引：插件从播放缓存里读取你看过的片段，切片后做 embedding，再上传到云端向量 Bucket。
- 随时检索：在「视频记忆」面板里输入描述，比如「显卡」，命中的片段会带时间码排列出来，点一下跳转到原视频对应位置。
关于模型，作者的迭代路径很有参考价值：
- 最初用的是 Qwen3-VL-Embedding-8B：能搜到，但排序一般，「差点意思」；
- 后来换成腾讯开源的 WeMM-Embedding（他用 9B）：完胜 Qwen3-VL，排序质量明显提升；
- 显存不够就用 2B 版本，作者明确推荐大家都去试。
（补充背景：WeMM-Embedding 是微信视觉团队 2026 年 8 月底开源的多模态嵌入模型，含 2B / 4B / 9B 三档，支持文本、图像、视频、视觉文档与交错多模态输入；据官方公开材料，9B 版在 MMEB-v2 榜单位列第一。文中「完胜 Qwen3-VL」为主观实测结论，非官方评测。）
五、三个进阶实验：向量能做的事远不止搜网课
实验一：用向量距离做镜头切分
把一条长视频切成连续的向量序列，然后计算相邻片段的向量距离。距离突然暴增的地方，就是画面发生较大变化的地方——通常正是转场与剪辑点。
结果：一条 10 分钟的视频，被瞬间拆解成 99 个镜头。不需要任何视觉算法，只靠向量距离。
更进一步，向量不只认「物品」，也能认「风格与运动感」。作者切到镜头语言维度，搜「手持跟拍」，第一条命中的就是他口播视频里插入的一段手持跟拍素材，非常准。
边界也很清楚：过于专业、抽象的拍摄术语，目前的模型还识别不了，要等更强的 embedding 模型。
实验二：图文视频混合的「人生回忆录」
把去年在海南旅居一个月的照片和视频全部建成索引。
传统相册只能按时间翻，而这是图文视频混合的语义搜索。搜一句「原神」，各个住所里打原神的画面全出来了，连「车机接 PS5」这种边角镜头都没漏掉。
更关键的是：这个检索接口可以交给 Agent。把它封装成 Skill，Agent 就能「了解你的旅行」，并基于这些素材跟你聊天——这是传统相册（哪怕带相似功能）做不到的，因为它不具备「被 Agent 调用」这个属性。
实验三：干脆放弃整理文件夹
作者的电脑目录极其混乱：项目策划案、参考图、录屏视频、PDF 文档全混在一个文件夹里，懒得整理。
他的判断是：在 Agent 时代，不必把每个文件整理得井井有条。因为以后的趋势是 Agent 在编辑和读取，人只需要保证「东西能被找到」。
做法：用 OSS 向量 Bucket 把文本、截图、视频片段统统建成索引。于是搜「Google Web MCP」，直接命中前几天 Google 开发者大会的素材、展台画面，以及当时的视频文稿。
六、局限与边界（重要）
作者的自我审视相当坦诚，这几点在落地前必须知道：
- 相似度排序 ≠ 精确查找。它是按相似度排的，必然有误判，有时候排序结果看起来「很傻」。但换个角度：它其实把所有可能性都找出来了，你要的东西大概率就在列表里——靠带时间码的预览铺开，人眼一扫就能锁定目标。
- 插件目前是云服务版，本地版还在做。现在仍需一个 embedding 服务；这个新模型短期内未必有现成 API，可能得本地部署（2B 版本 CPU 也能跑）。
- 配置部分未公开（随商业代码一起剪掉了），需要自己研究。
- 想要更贴合自己需求的能力，可以用云厂商 API 自己搓一个专属 Skill，把查询完全交给 Agent。
七、可复用的落地清单
如果你想把同一套方法迁到自己的场景，按这个顺序走：
- 先定义「秒级检索」的粒度：视频按 10 秒切片是作者的默认值，画面变化快的素材可考虑更短。
- 选模型并锁定维度：入库与查询必须同模型同维度，这是最容易翻车的一步。
- 向量在本地生成，云端只存索引：省掉 API 费用，也避免内容被二次上传。
- 保留原始链接 + 时间码：向量只负责「找到」，跳转还得靠原始地址。
- 优先把检索能力封装成 Skill/接口：这是与「传统相册」拉开代差的地方——能被 Agent 调用，才有复利。
八、金句摘录
「你脑子里可能记着当时那个画面的样子，但是传统的搜索就根本搜不出来。」
「你相当于给一生所有看过的视频，建了一本秒级精度的超级目录。」
「在 Agent 的时代，你不用把每一个文件都整理得井井有条，因为以后的趋势就是 Agent 在编辑和读取。」
「从记网课、拆剪辑、搜回忆，到让 Agent 掌管你混乱的工作上下文，底层全是同一套逻辑：把文本、图像、视频三个维度世界里的东西，全部放进同一个向量空间，交给一个云端索引。」
「当 Agent 拥有了你所有生活和工作的多模态索引，他就不再是一个冷冰冰的对话模型了，他是一个真正拥有你全部上下文的数字分身。」
「人类的大脑不应该用来惦记那些枯燥的进度条和文件路径。你把记忆交给向量，把寻址交给 Agent，把宝贵的时间留给你的思考力和创造力。」
本文由视频口播转写整理，语音识别对专有名词存在错字，已按上下文校正为「向量 / 多模态 / 索引 / 千问3-VL-Embedding / WeMM-Embedding」等标准表述；价格与性能数字均保留作者口播口径，未做二次核实。
视频来源：B站 @小天fotos（space.bilibili.com/28554995）〈看过的教程死活找不到？一个插件搞定！Indexed〉2026-08-27，原视频链接：https://www.bilibili.com/video/BV1ES496XEmo（同内容亦发布于抖音号 969304610）。本文为视频内容的文字整理，版权归原作者所有，转载请注明出处。