1. 基本信息
| 项目 | 内容 | 数据来源 |
|---|---|---|
| 名称 | jetson-video-benchmark | GitHub API |
| 作者/维护者 | NVIDIA（Jetson 团队，SKILL.md 署名 Vinit Bansal），仓库归属 NVIDIA-AI-IOT | SKILL.md / skill-card.md |
| 来源链接 | https://github.com/NVIDIA-AI-IOT/jetson-device-skills/tree/main/skills/jetson-video-benchmark | — |
| 许可证 | Apache-2.0（该技能自身声明），仓库整体为 CC-BY-4.0（文档）+ Apache-2.0（代码）双许可 | SKILL.md / LICENSE |
| GitHub Stars | 116（合集仓库整体，非本技能个体热度，见第 6 章说明） | GitHub API |
| Forks | 21 | GitHub API |
| 最新版本 | e61c045（skill-card.md 记录的 git SHA，2026-08-10 提交） | skill-card.md |
| 安装方式 | 克隆仓库后运行 ./install.sh，或手动复制目录 |
仓库 README |
2. 功能介绍与亮点
jetson-video-benchmark 在真实 Jetson 设备上测量 Video Codec SDK 或 PyNvVideoCodec 的编解码吞吐量（FPS、每秒兆像素），解决“这块 Jetson 到底能扛住多少路视频编解码”这个容易被拍脑袋估计的问题。
- 先划清能力边界再动手：收到仅要求 PSNR/SSIM 等画质指标的请求时，技能会明确说明这是性能类技能、不提供画质度量，并直接停止，不会临时兼职给出估算或推荐其他工具。
- 测量与估算严格分离，从不冒充：有实测介质时才走真实测量路径，产出逐次重复的 FPS/MP/s 明细及均值/最小/最大值；无介质时改走“文档估算”路径，仅基于官方 1080p 表格行与设备实际配置的最大视频时钟做换算，且必须显式标注
measurement_performed: false——技能明令禁止把估算包装成测量结果。 - 完整溯源留痕：用户提供 URL 介质时，先经过目标、授权、运行时权限三道闸门才允许拉取，拉取后立即校验并保留来源 URL、License、署名、路径与 SHA-256 哈希，杜绝用途不明的媒体替换。
- 规范的执行纪律：每次实测先跑
dry_run审查全部参数，再在全新私有工作目录里执行execute；每个变体至少保留 1 次预热 + 3 次独立测量，拒绝把陈旧结果、身份漂移、异常指标包装成“完成”状态。 - 代码体量扎实：核心控制器
benchmark_controller.py（约 9.9 万字节）+ 溯源模块benchmark_provenance.py（约 5.9 万字节）+ 运行时模块benchmark_runtime.py（约 3.1 万字节），配套 3 份参考文档（工作流、输出契约、文档化性能估算，合计约 3 万字节）。 - 官方实测结果在同仓库视频编解码子集中最干净：NVIDIA 内部 NVSkills-Eval 用 Claude Code 与 Codex 各跑 7 项任务，综合表现从基线 47%/49% 提升到技能加持后的 97%/92%；安全、正确性、可发现性、有效性、效率五个维度在两个 agent 上无一项出现回退，是该视频子集里唯一一个双 agent 全维度零回退的技能，Tier 1 静态校验结论为“通过（含 1 项轻微观察：缺少建议的 Examples 小节）”，最终结论“建议发布”。
3. 适用场景
所属分类：DevOps 与基础设施（产出物是 Jetson 边缘设备的编解码吞吐量实测数据与容量规划估算，服务于部署前的硬件容量评估，而非改动业务代码本身，见第 7 章判定说明）。
面向需要在 Jetson 设备上做视频管线容量规划的开发者与工程师：上多少路摄像头、选哪种编码预设、原生 SDK 还是 Python 端 PyNvVideoCodec 更划算，这些问题此前只能靠现场试错。该技能把测量流程标准化，同时对“没有实测介质时能不能先给个估算”给出了明确、可复核、不会被误当成真实测量结果的答案。
4. 跨Agent兼容性
- Claude Code：原生支持。仓库安装脚本提供
--targets claude。 - Codex：原生支持。安装脚本提供
--targets codex；官方 NVSkills-Eval 评测明确用codexagent 实测过该技能。 - OpenClaw：原生支持。安装脚本提供
--targets nemoclaw，可直接装进运行中的 NemoClaw/OpenClaw 沙箱。 - Hermes Agent：未验证。仓库 README 与安装脚本均未提及 Hermes Agent 适配，未找到相关说明。
5. 推荐理由
它把“Jetson 上到底能测多快”这件容易被随口估计或用错误方法测量的事，收进一套边界极清晰的执行框架：先判断请求到底要不要真实测量、没介质就走标注清楚的估算而不是编造数字、每次测量都有预热与多次重复保证统计意义、用户提供的每一份介质都留全溯源信息。由 NVIDIA 官方维护，发布前经真实 Claude Code / Codex agent 实测且五个评测维度在两个 agent 上均无回退，代码体量与文档深度在同仓库视频子集中名列前茅，适合正在评估 Jetson 视频管线容量、需要一份可信赖而不是靠猜的吞吐量数据的边缘 AI 开发者。
6. 评分
| 维度 | 分数 | 说明 |
|---|---|---|
| 受欢迎程度 | 7 | NVIDIA 是 Jetson 平台的所有者，属第一方出品；合集仓库整体 116 星为合集热度，不代表本技能个体数据；检索未发现该子技能自身独立的第三方讨论，仅有 NVIDIA 官方开发者博客对该视频技能子集的整体介绍 |
| 可用性 | 8 | SKILL.md 与 3 份参考文档结构完整、含精确的路由判定规则与输出契约；仓库近期有实质提交（最近一次推送在 4 天前）；纯本地脚本无付费依赖；但完整实测功能依赖真实 Jetson 硬件 + 已安装的编解码 SDK，部分路径还需配合同仓库 jetson-video-setup/jetson-video-recipe 才能跑完整流程，且 Tier 1 静态校验指出缺少建议的 Examples 小节 |
| 安全性 | 9 | 脚本执行范围明确可审计（先 dry_run 审查参数再 execute），仅在用户明确提供 URL 且通过授权闸门后才发起网络拉取，且强制保留来源/License/署名/哈希；不需要 API key 或凭据；未见可疑指令或混淆代码，对“编造测量数据”有明确的制度性禁止；License 清晰（Apache-2.0）；最近一次改动在近三个月维护窗口内 |
| 综合 | 8.0 | 三项均值 |
安全检查清单：①该技能仅以 python3 -I（隔离模式）调用自带的控制器脚本及经认证的 SDK 官方示例程序（如 AppEncPerf/AppDecPerf），执行范围限定在编解码性能测量本身；②仅在用户明确提供介质 URL、且通过目标/授权/运行时权限三道闸门后才发起网络拉取，拉取后立即校验哈希，不存在隐蔽外发；③skill-card.md 明确标注不需要 API key 或凭据；④未发现可疑指令、混淆代码或隐蔽外发，技能反复强调“从不编造测量数据、从不把估算包装成实测结果”，安全维度评测结果为两个 agent 均 100%；⑤作者为 NVIDIA 官方 Jetson 团队；⑥License 明确（Apache-2.0）；⑦最近一次改动为 2026-08-11，在近三个月维护窗口内。
7. 跟同类Skills相比的优势
| 工具 | 定位 | 与本技能的差异 |
|---|---|---|
jetson-video-recipe（同仓库） |
把编码需求转成待执行的配置方案 | 只出配置、不做任何实测；本技能反过来专注“这份配置在真实硬件上到底跑多快”，两者是规划与度量的上下游关系 |
jetson-video-pipeline（同仓库） |
实际执行编解码/转码等媒体操作并验证产物 | 关注“任务有没有正确完成”；本技能关注“完成得有多快”，两者可能共用同一次编解码调用但产出的结论维度不同 |
jetson-video-capability（同仓库） |
核验某平台对特定编码组合的官方支持状态 | 回答“支不支持”这一是非问题；本技能回答“支持的前提下能跑多快”这一量化问题 |
| NVIDIA-AI-IOT/jetson_benchmarks（独立社区仓库） | 通用 Jetson 硬件基准测试脚本集合，覆盖模型推理等更广泛场景 | 面向人工运行的命令行脚本合集，不是面向 agent 的 SKILL.md 格式，也不含本技能的溯源留痕、dry-run 审查与估算/实测区分等安全设计 |
8. 用户评价
该技能目前在第三方平台尚无已验证的具名用户评价。
9. 其他补充
jetson-video-benchmark 是 NVIDIA-AI-IOT/jetson-device-skills 家族（专注“运行中的 Jetson 设备”这一场景，覆盖诊断、内存审计、无头模式、LLM 服务与基准测试、视频编解码等共 14 个技能）之一，属于该仓库中较新加入的视频编解码子集（jetson-video-recipe / jetson-video-pipeline / jetson-video-capability / jetson-video-setup / jetson-video-benchmark），对应 NVIDIA 开发者博客披露的 JetPack 7.2.1 版本新增的 Agentic Video Skills。
10. 安装使用方式
推荐方式：
git clone https://github.com/NVIDIA-AI-IOT/jetson-device-skills.git
cd jetson-device-skills
./install.sh --targets claude--targets 可换成 codex、cursor，或用逗号一次装多个（如 claude,codex）；OpenClaw 用户改用 --targets nemoclaw --nemoclaw-sandbox <沙箱名> 直接装进运行中的沙箱。装完重启 Agent 会话使新技能生效。
手动方式： 复制仓库 skills/jetson-video-benchmark/ 整个目录（含 SKILL.md），放入对应 Agent 的技能目录，如 Claude Code 的 ~/.claude/skills/。
使用前需在真实 Jetson 目标设备上运行、并已安装原生 Video Codec SDK 或 PyNvVideoCodec；向 Agent 描述具体的测量需求（如“帮我测一下这块 Jetson 用 H.264 编码 1080p 视频能跑多少 FPS”）即可触发流程；若没有可用介质，技能会改为给出基于官方文档的估算并明确标注非实测；若需要更完整的环境探测与配置，建议配合安装 jetson-video-setup；若需要实际执行编码/比较投影差异，部分路径需配合 jetson-video-recipe。
11. 注意事项
- 客观画质度量（PSNR、SSIM 等）明确不在本技能范围内，技能会直接拒绝相关请求而非临时兼职给出估算。
- 无介质时给出的是基于官方文档表格与设备时钟换算的规划性估算，不是已验证的实测吞吐量，两者在输出中会被明确区分标注。
- 部分实测路径（如实时编码、双投影对比、编码容量测试）依赖同仓库
jetson-video-recipe提供的已验证配置方案，未安装时技能会提示缺失而不会自行代为决策。 - 属于该仓库中较新加入的视频编解码子集，尚未看到独立于 NVIDIA 官方发布材料之外的第三方使用反馈。