摘要
一句话总结 作者利用 Gemini 的长上下文处理能力，成功分析了 14 万行混淆的 JS 代码，找出了某视频网站快速生成视频缩略图的底层实现原理。
关键点
- 背景起因：作者发现某视频工具网站生成视频缩略图的速度极快，想探究其实现方式（作者以往经验是使用耗时较长的 ffmpeg）。
- 分析难点：目标网站的主 JS 文件经过混淆，代码量高达 14 万行，常规的关键字（如 ffmpeg）搜索毫无收获。
- 解决方案：借助 Gemini 的长上下文窗口（最高支持 200 万 Tokens），将 14 万行代码（约 168 万 Tokens）直接粘贴输入。
- 提示词设计：要求模型找到生成视频缩略图的相关函数，解释其实现原理，并模仿实现一个简化版代码。
- 执行耗时：模型运行大约花费了 4 分钟。
- 分析结果：Gemini 成功定位到目标函数并给出了原理解释与简化代码。
- 技术真相：该网站并非基于 ffmpeg，而是利用 Canvas 绘制来实现快速生成缩略图。
- 核心结论：长上下文大语言模型在分析超长代码文件时具有显著优势。
正文
前几天测试一个视频工具网站，发现它生成视频缩略图的速度特别快，因为我以前也做过，是基于 ffmpeg 命令行生成的，网页也能执行，但是耗时比较长一点，我就好奇它是怎么实现的，于是就去看它的 js 代码，但是混淆后代码文件太长了，主文件达到了 14 万行代码，尝试用各种 ffmpeg 关键字去分析一无所获。
今天突然想到 Gemini 上下文长度很长，也许可以，于是将 14 万行代码复制粘贴进去，168 万 Tokens！不过 Gemini 最高可以到 200 万 Tokens。
提示词很简单，就是让它找到生成视频缩略图相关函数，并解释其实现原理，最后模仿着实现一个。
最后运行了大约 4 分钟时间，帮我找到了相关的函数，给出了解释，并实现了一个简化版代码，原来不是基于 ffmpeg 实现的，而是基于 Canvas 画上去的，难怪之前一直没找到代码。
长上下文在分析长代码上还是蛮有优势的。