diff --git a/.gitignore b/.gitignore
index 4b7d4f5..94c7a2a 100644
--- a/.gitignore
+++ b/.gitignore
@@ -3,3 +3,4 @@ __pycache__/
 .pytest_cache/
 .venv/
 *.egg-info/
+poc/frames/
diff --git a/PLAN.md b/PLAN.md
new file mode 100644
index 0000000..4f79801
--- /dev/null
+++ b/PLAN.md
@@ -0,0 +1,50 @@
+# watch_sceen_ai — 착수 계획 (확정본)
+
+디스코드 화면공유를 실시간으로 함께 보며 **음성으로** 대화하는 AI.
+
+## 확정된 결정 (2026-08-09)
+
+1. **캡처 방식 (눈)** — 봇 프로토콜 수신/셀프봇 ❌.
+   .9 서버에 **가상 디스플레이(Xvfb) + 진짜 디스코드 클라이언트(웹 Chromium)** 를 띄우고,
+   상대의 공유 스트림 화면을 **프레임으로 캡처**한다.
+   - 근거: Discord 공식 봇은 비디오 송수신을 모두 막음. 셀프봇 수신 라이브러리는 없고(있어도 송출 전용) 유저토큰 필요 → 밴 위험.
+   - 진짜 클라이언트가 스트림을 정상 디코딩/렌더 → 우리는 그 픽셀만 읽음. 무인 서버 실행 가능.
+   - WebRTC 특성상 완전 `--headless` 불가 → Xvfb 가상 X 서버 필요.
+2. **대화 방식** — 음성 실시간. STT→LLM→TTS 스트리밍으로 지연 최소화, 사용자 인터럽트 지원.
+3. **두뇌** — Claude **OAuth**로 가장 싸고 빠른 모델(Haiku 계열).
+   + .9의 RTX 5050으로 소형 로컬 VLM을 돌려 매 프레임 1차 이해·**화면 변화 감지**를 값싸게 처리,
+   어려운 화면만 Haiku로 에스컬레이션 (하이브리드).
+4. **실행 위치** — 이 리눅스 호스트(.9).
+
+## 단계별 착수 목록
+
+### 1단계 · 눈: 캡처 파이프라인  ← 지금
+- [x] 호스트 도구 확인 (Node/Xvfb/ffmpeg/google-chrome 존재)
+- [ ] **PoC: Xvfb에서 비-헤드리스 Chromium이 재생 화면을 렌더 → 프레임 캡처 검증** (최대 리스크 선제거)
+- [ ] 캡처 주기 + 프레임 변화 감지(동일 화면 반복 전송 방지)
+- [ ] 프레임을 파이프라인에 공급하는 소스 인터페이스
+
+### 2단계 · 디스코드 접속
+- [ ] Xvfb 크롬에서 Discord 웹 로그인 (별도 계정 권장)
+- [ ] 음성 채널 참여 + 상대 스트림 "보기" 클릭 자동화
+- [ ] 스트림 video 영역만 크롭 캡처
+
+### 3단계 · 두뇌 (하이브리드 비전)
+- [ ] 로컬 VLM(예: moondream2 / Qwen2-VL-2B) 프레임 1차 이해 + 변화 감지
+- [ ] Claude OAuth(Haiku)로 어려운 프레임 에스컬레이션
+- [ ] 최신 화면 맥락 저장소
+
+### 4단계 · 음성 대화
+- [ ] STT (faster-whisper, 스트리밍/부분전사)
+- [ ] 대화 브레인 (화면맥락 + 대화이력)
+- [ ] TTS (MeloTTS 등, 이 호스트에 자산 있음)
+- [ ] 말 끊기 인터럽트 + 지연 최적화
+
+### 5단계 · 통합·운영
+- [ ] 인지 루프 + 대화 루프 동시 실행
+- [ ] proactive(화면 크게 바뀌면 먼저 말 걸기)
+- [ ] 끊김 복구, 비용 모니터링, 서비스화
+
+## 주의
+- 캡처용 디스코드 계정은 메인 말고 **별도 계정 권장**(자동화 회색지대, 밴 위험 최소화).
+- 로컬 GPU 8GB VRAM 제약 → 소형 VLM만. 큰 이해는 클라우드.
diff --git a/poc/capture_xvfb.py b/poc/capture_xvfb.py
new file mode 100644
index 0000000..1f362e5
--- /dev/null
+++ b/poc/capture_xvfb.py
@@ -0,0 +1,75 @@
+"""PoC: prove that a non-headless Chromium under a virtual display (Xvfb) can
+render a live/animated page and that we can capture it as frames.
+
+This de-risks the hardest unknown of decision #1 (watch the real Discord screen
+share by capturing a real client's rendered pixels) BEFORE touching Discord.
+
+Run under a virtual display:
+
+    xvfb-run -a --server-args="-screen 0 1280x720x24" \
+        .venv/bin/python poc/capture_xvfb.py
+
+Success = frames are non-blank AND change over time (proving live rendering +
+capture actually work on this headless server).
+"""
+
+from __future__ import annotations
+
+import hashlib
+import pathlib
+import sys
+import time
+
+from playwright.sync_api import sync_playwright
+
+HERE = pathlib.Path(__file__).parent
+PAGE = (HERE / "test_page.html").resolve()
+OUT = HERE / "frames"
+N = 6
+INTERVAL = 0.4
+
+
+def main() -> int:
+    OUT.mkdir(exist_ok=True)
+    hashes: list[str] = []
+    sizes: list[int] = []
+
+    with sync_playwright() as p:
+        browser = p.chromium.launch(
+            channel="chrome",  # use system google-chrome, no browser download
+            headless=False,    # WebRTC/video needs a real (virtual) display
+            args=["--no-sandbox", "--disable-gpu", "--autoplay-policy=no-user-gesture-required"],
+        )
+        page = browser.new_page(viewport={"width": 1280, "height": 720})
+        page.goto(PAGE.as_uri())
+        page.wait_for_timeout(500)
+
+        for i in range(N):
+            png = page.screenshot()  # captures the rendered virtual screen
+            f = OUT / f"frame_{i:02d}.png"
+            f.write_bytes(png)
+            h = hashlib.sha256(png).hexdigest()[:12]
+            hashes.append(h)
+            sizes.append(len(png))
+            print(f"  frame {i}: {len(png):>7} bytes  sha={h}")
+            time.sleep(INTERVAL)
+
+        browser.close()
+
+    distinct = len(set(hashes))
+    min_size = min(sizes)
+    print(f"\n{N} frames, {distinct} distinct, min size {min_size} bytes")
+
+    # A blank/black 1280x720 PNG compresses to a few KB; a real rendered scene is
+    # much larger. Require non-trivial size and that the scene actually moved.
+    ok_nonblank = min_size > 8_000
+    ok_changing = distinct >= 3
+    if ok_nonblank and ok_changing:
+        print("PoC PASS: Xvfb + Chromium rendered a live scene and we captured changing, non-blank frames.")
+        return 0
+    print(f"PoC FAIL: nonblank={ok_nonblank} changing={ok_changing}")
+    return 1
+
+
+if __name__ == "__main__":
+    sys.exit(main())
diff --git a/poc/test_page.html b/poc/test_page.html
new file mode 100644
index 0000000..393f93a
--- /dev/null
+++ b/poc/test_page.html
@@ -0,0 +1,29 @@
+<!doctype html>
+<html>
+<head><meta charset="utf-8"><title>capture test</title>
+<style>html,body{margin:0;background:#101418}</style></head>
+<body>
+<canvas id="c" width="1280" height="720"></canvas>
+<script>
+// An always-changing scene, so captured frames must differ frame-to-frame and
+// be non-blank. This stands in for "a Discord screen share is playing".
+const c = document.getElementById('c'), x = c.getContext('2d');
+let t = 0;
+function draw() {
+  t++;
+  x.fillStyle = '#101418'; x.fillRect(0, 0, 1280, 720);
+  // moving box
+  const px = (t * 7) % 1180;
+  x.fillStyle = `hsl(${(t*3)%360} 80% 55%)`;
+  x.fillRect(px, 300 + 120 * Math.sin(t / 15), 100, 100);
+  // big live counter text
+  x.fillStyle = '#e8eef2'; x.font = 'bold 90px monospace';
+  x.fillText('FRAME ' + t, 60, 140);
+  x.font = '28px monospace';
+  x.fillText(new Date().toISOString(), 60, 200);
+  requestAnimationFrame(draw);
+}
+draw();
+</script>
+</body>
+</html>