通过音频（字幕）和视觉（帧提取加图像分析）双通道对YouTube视频进行多模态分析。特别适用于教学、教程、演示和说明类视频，其中所展示的内容（如截图、UI演示、图表、代码、物理动作）与所说内容同等重要。当用户希望分析、总结YouTube视频，或根据视频创建分步指南，或分享YouTube链接并希望了解视频内容时，请使用此功能。触发条件包括：“分析这个YouTube视频”、“根据此视频创建分步指南”、“这个视频展示了什么？”、“总结这个教程”，或任何带有分析意图的YouTube链接。