Jockey ist ein dialogbasierter Videoagent, der auf der Twelve Labs API und LangGraph basiert. Er kombiniert die Fähigkeiten bestehender großer Sprachmodelle (LLMs) mit der Twelve Labs API. Mithilfe von LangGraph wird die Aufgabenverteilung gesteuert, um die Belastung bei komplexen Video-Workflows auf passende Basismodelle zu verteilen. LLMs planen die Ausführungsschritte logisch und interagieren mit dem Benutzer, während videobezogene Aufgaben an die Twelve Labs API weitergeleitet werden, die von Video-Basismodellen (VFMs) unterstützt wird. Die Videoverarbeitung erfolgt nativ, ohne Zwischenrepräsentationen wie z. B. vorab generierte Untertitel.