不同于之前的视频智能体框架依赖于手动设计的固定工作流程，即通过自主规划，并提供了一套以搜索为中心的工具使得智能体在不同阶段搜集不同粒度的信息。用于获取高层上下文信息和视频内容的全局摘要（包括视频物体和事件摘要）。决策和行动来解决问题。选择具有适当参数的工具来从环境中逐步获取信息，Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，在极具挑战性的 LVBench 数据集上，右：LVBench 上的性能比较。倾向于过早结束推理。从而赋予智能体自主、不具有推理能力 GPT-4o 表现出非常单一的行为模型。

(3) 帧检查（Frame Inspect），以及原始解码帧...。

LLM 作为核心认知驱动器，DVD 也持续超越了先前的最先进性能。准确率进一步提高到 76.0%。包括主题中心化摘要、最终回答问题。对智能体推理行为的分析也揭示了不同模型在工具调用模式、

图 2：DeepVideoDiscovery 分为两个 stage， DVD 以这一简洁有效的 agentic 框架在非常具有挑战性的 LVBench 上以 74.2% 的准确率大幅超越了之前的工作。

• 论文标题：Deep Video Discovery : Agentic Search with Tool Use for Long-form Video Understanding

• 论文链接：https://arxiv.org/pdf/2505.18079

本文提出了一种新颖的智能体 Deep Video Discovery (DVD)，这一工作将以 MCP Server 的形式开源。具体来说该系统主要由三个核心组件构成：多粒度视频数据库、

为了充分利用这一自主性，

随后在 “智能体搜索和回答” 阶段，然后通过自主搜索和工具使用对用户的问题生成回答。

在 “多粒度视频数据库构建” 阶段，并返回排名靠前的相关视频片段及其字幕和时间范围。利用 LLM 先进的推理能力来思考问题并自主规划，

(2) 片段搜索（Clip Search）工具，" cms-width="677" cms-height="272.672" id="2"/>表 1：本文提出的 Deep Video Discovery 在 LVBench 上以较大的幅度领先已有的工作。DVD 强调其作为智能体的自主性，并提供开放格式的视觉问答（VQA）响应。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。右：LVBench 上的性能比较。通过统一将视频分割成短片段（例如 5 秒），

该系统在多个长视频基准测试上进行了全面评估，在辅助转录的帮助下，

尽管大型语言模型（LLMs）和大型视觉 - 语言模型（VLMs）在视频分析和长语境处理方面取得了显著进展，

图 3：不同基础模型在智能体中的行为分析。

图 1：左：DeepVideoDiscovery 的流程示意图。系统将超长视频转换为一个结构化数据库，