Gemini 3.7 视频理解：智能体模式指南

01

什么是 Gemini 3.7 视频理解？

Gemini 3.7 可以在一次请求里综合视频、音频和转录信息。Google 视频理解文档说明，标准处理默认按每秒 1 帧进行视觉采样。它适合稳定画面，但可能漏掉短暂 UI 状态或快速动作。

根据 Google 官方发布文章，智能体处理会规划检查方式、选择相关时刻，并按问题组合转录、音频、帧率和分辨率。它仍基于被选中的证据工作，因此不能保证答案一定正确。

02

智能体模式改变了什么

静态采样回答“从一次均匀检查里能看出什么”；智能体检查回答“为了这个问题，下一步该收集什么证据”。后者可以先在长视频里缩小区间，再对关键位置做更细检查。

LensWalk 等研究也在探索先规划“怎么看视频”的路线。但“智能体”不等于自动正确。更可靠的目标是限定问题、明确证据，并规定证据缺失时必须拒答。

03

选择智能体模式还是静态采样

应按素材特征和漏掉事件的代价选择模式。Google 更推荐智能体处理长视频和精准时刻问题；对 5 分钟以内、重视低延迟的短片，或需要全片可预测帧级精度的任务，静态处理仍有价值。

Inspect image

把这套判断当作起点，而不是永久规则。用自己的素材同时测试两种模式，加入短暂视觉事件、纯音频证据和故意无法回答的问题，比较时间戳、无依据陈述、延迟和输出结构。

04

写提示词前先建立输入契约

可靠请求先定义输入契约：视频位置、处理模式、具体问题、输出结构和核验规则。视频输入放在文本提示前，在支持的 API 中使用文档规定的 agentic 值，时间统一要求 MM:SS。

{
  "input": [
    {
      "type": "video",
      "uri": "YOUR_VIDEO_URI",
      "processing": "agentic"
    },
    {
      "type": "text",
      "text": "找到第一次结账失败。返回 MM:SS 时间戳、可见错误文案、之前的用户操作，以及不确定性。"
    }
  ]
}

下面只是根据 Google 文档简化的请求结构，不是 TapVid 的实测基准。生产前应核对当前模型和 SDK 语法。输入可来自 File API、Cloud Storage、支持的 YouTube URL，或文档限制内小于 100 MB 的短文件。

05

用证据契约约束可核验答案

弱提示词只要求答案；强提示词会定义问题、证据渠道、带时间戳的输出、不确定性规则和禁止推断的结论。这样可以把“按钮仍然不可用”这类观察，与对用户意图的猜测分开。

• 问题：明确要识别的决策或事件。
• 证据渠道：转录、音频、屏幕文字、UI 状态或可见动作。
• 输出结构：要求时间戳和简短发现。
• 不确定性：证据不足时必须明说。
• 排除项：明确不能推断的结论。

Inspect image

每条发现都应包含时间区间、简短观察、证据渠道、可见或可听的具体依据和置信度。如果素材无法建立答案，正确输出应是“未能建立”并说明缺少什么，而不是给一个听起来合理的猜测。

分析这段视频中的 {{决策}}。每条发现返回 MM:SS 区间、简短观察、证据渠道、具体依据和置信度。不要推断视频未支持的事实。证据缺失时返回“未能建立”，并解释缺少什么。

06

常见分析任务的可复制提示词

以下模板是分析提示词，用来在已有视频中定位证据或对证据进行分类，并不要求模型生成新画面或编辑素材。使用时请替换模板中的占位内容，同时保留对时间戳和不确定性的要求。对于会影响实际决策的重要发现，应回到原始视频逐项复核，确认结论确实有来源支持。

定位产品演示失败

检查产品演示中的失败或未完成步骤。每项返回 MM:SS、之前的操作、确切 UI 证据，以及讲解者是否口头承认。没有证据时，不要把停顿标成失败。

从长会议中提取决策

找到改变价格、发布时间、功能范围或负责人安排的决策。返回 MM:SS、决策内容、负责人、截止日期和口头依据。把已确认决策与建议、待定问题分开。

按批准步骤审核教程

把教程与 {{检查清单}} 对照，每项标记为正确、错误、未展示或不清楚，并给出 MM:SS 和可见 UI 标签。只有旁白不能证明屏幕步骤已经发生。

定位短暂物理事件

找到 {{事件}} 第一次在画面上明确完成的时刻。细查前后区间，返回最早可辩护的 MM:SS、完成线索，以及遮挡、运动模糊或剪辑造成的不确定性。

把事件、证据和拒答条件写清楚，比添加“深度”“专家级”等形容词更有效，因为审核者可以判断输出是否满足契约。

07

在多轮分析中保留视频上下文

视频分析经常会连续追问：第一轮定位事件，第二轮找相关例子，第三轮整理已批准发现。只有应用正确保留视频和处理状态，这种多轮流程才可靠。

Google Interactions API 可以通过上一轮 interaction ID 延续状态；无状态实现则要重放相关处理调用和结果，不能只重放最后一段文字。应把源 ID、模式、interaction ID、提示词版本和输出结构一起保存。

08

限制与常见失败模式

智能体检查无法修复本来就不可读的标签。Gemini 3.7 Flash 模型卡也把幻觉、速度慢和超时列为已知限制。生产流程需要重试、超时、审核状态，以及处理源视频的合法权限。

• 捏造细节：强制要求时间戳和不确定性。
• 时间戳接近但不准确：人工复核边界敏感结论。
• 微小或短暂 UI：尽量提供更高质量源文件。
• 说话人归属错误：复核重叠或画外音。
• 处理慢或超时：设置重试、超时和审核状态。
• 版权与隐私：只处理有权使用的素材。

评估里必须加入负例：不存在的事件、故意模糊的文字、说话人不明确的音频，以及视频无法证明的动机。如果系统仍然自信作答，即使正例看起来很漂亮，也是不合格。

09

视频理解不等于视频生成

视频理解把已有视频转换成发现、时间戳、描述或决策；视频生成则创建新的视觉与音频内容，视频编辑则改变已有内容。这些任务要求不同：分析提示词可以要求找出视频中第一次对价格提出异议的时刻；生成提示词则可以要求把一张产品照片制作成产品发布片段。

Inspect image

如果目标是创作或编辑视频，应使用 Gemini Omni 视频提示词库。把它与本指南分开，可以保护真实搜索意图：分析结果必须指回源视频，生成结果则要按素材、批准文案和创意 Brief 复核。

一个模板不能替代两种验收。分析即使没有生成新视频也可能有价值；生成视频即使很好看，只要改错标签或把错误素材配给某条文案，也仍然失败。

10

把核验后的发现交给解说视频流程

应把分析输出设计成可控交接：先提取带时间戳的观察，让人确认哪些准确、有用，再把已批准内容写进脚本，为每段脚本绑定正确素材，最后复核文案和画面的对应关系。

TapVid 的正式定位是 Explainer Video Engine。AI 解说视频生成器负责把用户提供的素材和批准文案做成可复核视频，但它不会让上游分析里的错误自动变成事实。人工批准仍是模型输出和公开内容之间的桥梁。

11

一套实用评估清单

从真实素材里选一小组测试样本，用可观察标准评分。真正合适的模式是能通过你的验收条件，而不是名字更新的那个。

• 是否定位到正确区间
• 是否标出证据渠道
• 屏幕或语音内容是否忠实
• 是否区分“没展示”和“不是真的”
• 证据不足时是否拒答
• 审核者能否快速复核
• 多轮之间是否保留视频证据
• 延迟是否符合实际任务

模型或 API 发生变化后要重新评估。把提示词和期望输出保存为带版本的测试样例，才能发现时间戳、拒答、延迟或输出结构是否发生变化。

12

常见问题