1.提出问题？
RAG 和视频 agent 路线各有硬伤：
RAG 路线（VideoRAG、AdaVideoRAG）：靠孤立的段级 caption 检索，证据是碎片的、缺全局叙事连贯性，跨场景推理差；
视频 agent 路线（VideoAgent、VideoTree、DVD）：虽然能动态规划，但底层数据库太简陋（就是帧列表 / 段 caption），要反复多轮检索才能拼出跨段连续证据，又贵又慢；
共同短板：没有一个 "从全局→场景→段→实体" 的统一层级表示，且视觉证据在遮挡 / 切镜头 / 换人机位时会断裂，模型把不同片段里的同一个人当成两个人。
2.解决问题？
离线建库（一次）：
WhisperX 出带时间戳字幕 + 说话人标签；
每 30 秒一段抽 20 帧，GPT-4.1 写段描述（谁 + 说了啥 + 画面啥）+ UNITE 视觉嵌入；
实体两阶段凝聚：文本嵌入层次聚类（阈值 0.4）→ LLM 复查合并 / 拆分；同 speaker label 即使视觉变了也优先合并；每个实体对关联片段写聚焦描述（re-captioning，K1=20/K2=16）；
连续相关段聚成场景、写场景摘要，再压出全局摘要 G̃。
在线查库：o3 开局只拿 G̃，循环里按优先级调 5 个工具 ——Global Scene Browse（粗定位）→ Segment Caption Search / Entity Search（文字检索）→ Segment Visual Search（视觉补漏）→ Visual Inspect（最多 50 帧做最终确认）；prompt 硬规定 "数字 / 人名 / 关键视觉事实回答前必须 Visual Inspect 验证"。
3.成果
LVBench overall 84.1（2fps 版），推理类 80.1；对比 DVD 74.2、o3 裸跑 57.1、GPT-4o 48.9、Seed1.5-VL 64.6；
Video-MME(long, w/sub) 82.8、LongVideoBench long 78.2、EgoSchema 81.6；
效率：平均 4.2 步 / 98.7 秒每题，DVD 要 7.6 步 / 151 秒；
消融：去掉说话人标签掉 5.3 个点，去掉层级结构掉 8.2 个点，证明两个核心设计都真有用；
开源可复现：DeepSeek-R1-0528 推理 + Qwen3-VL-32B 视觉，LVBench 也能到 75.8。
4.启发
它和 VideoARM 正好是 agentic 路线的两极：VideoARM 在线现看、零预处理；HAVEN 离线建四级档案。你综述里可以加一个维度 "预处理深度"—— 把 GPT-4.1 的贵调用挪到离线一次性做，在线只做便宜的检索和 50 帧确认，片库复用率高时成本明显更优。
"说话人身份当跨镜头胶水" 是个可迁移的点子：视觉会被遮挡 / 切镜头毁，但 voiceprint 不会。你做医疗 / 手术录像场景时，靠 voiceprint 把 "主刀" 这个角色跨镜头串起来，比纯视觉相似度可靠得多。
附录 G 的 prompt 是教科书级别的 agent 工具路由：场景题先粗查、文字找不到再视觉搜、最后必须 Visual Inspect 验证、连续 3 次无果换工具 —— 这套优先级规则你自己写 agent 时可以直接抄。
三个可切入的缺口：① 库是静态的，建完不能根据新问题动态补；② 30 秒固定段粒度拍脑袋；③ speaker diarization 错了整个实体凝聚就错位。这三点都是现成的改进口子