1. 项目概述一个为AI智能体“开眼”的桥梁如果你正在探索如何让AI大语言模型LLM或AI智能体Agent真正“看懂”视频内容那么你很可能已经遇到了一个核心瓶颈视频本身是非结构化的二进制数据流而AI模型擅长处理的是文本。iamyosuke/youtube-caption-mcp这个项目正是为解决这一痛点而生。它是一个基于模型上下文协议Model Context Protocol MCP的服务器专门用于从YouTube视频中提取字幕包括自动生成的字幕和创作者上传的CC字幕并将其转化为结构化的文本信息无缝提供给Claude、GPTs或其他任何支持MCP协议的AI助手。简单来说它就像是一个专业的“视频内容翻译官”。当你的AI助手需要分析一个YouTube视频链接时它不再只能看到一个无法解析的URL而是可以通过这个MCP服务器直接获取到视频的完整字幕文本、时间戳甚至是按段落划分的结构化内容。这对于内容总结、要点提炼、多语言学习、事实核查、研究辅助等场景来说无疑是打开了新世界的大门。无论你是开发者想要构建一个能分析视频的AI应用还是普通用户希望让Claude Desktop帮你快速了解长视频的核心内容这个工具都提供了极其优雅和标准化的接入方案。2. MCP协议与项目定位解析2.1 什么是MCP为什么它是关键在深入项目细节之前必须理解MCP是什么因为它定义了整个项目的运作范式。MCP是由Anthropic提出的一种开放协议旨在标准化AI应用程序如Claude Desktop与外部工具、数据源之间的通信方式。你可以把它想象成电脑的USB-C接口标准只要设备工具和主机AI应用都支持这个协议它们就能即插即用无需为每一个新工具开发专门的驱动程序。在MCP出现之前为AI助手添加新功能往往需要修改其核心代码或依赖特定的插件框架过程繁琐且不通用。MCP通过定义一套清晰的resources资源代表数据和tools工具代表可执行操作模型实现了功能的模块化和标准化。iamyosuke/youtube-caption-mcp就是一个严格遵循MCP标准实现的服务器。它向AI助手宣告“我这里有‘YouTube视频字幕’这种资源以及‘获取字幕’这个工具你可以按标准方式来查询和调用。”这种设计带来了巨大优势一次部署多处使用。只要你使用的AI客户端如Claude Desktop、Cursor IDE等支持MCP你配置好这个服务器后就可以在所有地方使用这个“获取YouTube字幕”的能力而不需要为每个客户端单独寻找或开发插件。2.2 项目核心价值与适用场景这个项目的价值远不止于“下载字幕”。它通过MCP将视频内容转化为了AI可高效处理的结构化、语义化数据从而解锁了一系列高级应用场景AI辅助学习与研究丢给AI助手一个长达数小时的学术讲座或技术大会视频链接让它基于完整的字幕文本生成详细的知识点大纲、学习笔记或QA列表。研究者可以快速筛选多个相关视频进行交叉引用和观点归纳。内容创作与运营自媒体从业者可以用它分析竞品视频的文案结构、高频词汇和话题脉络。需要制作视频精华剪辑时AI可以根据字幕和时间戳直接建议精彩片段的位置。无障碍与多语言支持虽然YouTube自带翻译但通过MCP获取原始字幕后再进行AI翻译往往在专业术语和上下文连贯性上表现更佳为听障人士或外语学习者提供了更强大的辅助工具。事实核查与信息验证针对热点事件的视频报道可以快速提取关键陈述结合AI的联网搜索能力进行交叉验证提高信息甄别效率。构建更强大的AI智能体对于开发者这是一个高质量、高可靠性的视频内容数据源。你可以基于它构建能“观看”并“理解”视频的专属智能体用于客服培训视频分析、产品评测汇总、市场情绪洞察等垂直领域。项目的定位非常清晰做AI与YouTube视频内容之间最轻量、最标准、最可靠的数据管道。它不试图做一个功能庞杂的YouTube下载器或客户端而是聚焦于“字幕提取”这一核心需求并通过MCP协议将其能力原子化、标准化完美融入现代AI应用生态。3. 环境准备与部署详解3.1 系统与依赖要求这个项目基于Node.js开发因此部署的前提是拥有一个Node.js运行环境。我推荐使用Node.js 18 LTS或更高版本以获得最佳的兼容性和性能。你可以通过node -v命令来检查当前版本。除了Node.js项目本身没有额外的系统级强依赖如FFmpeg。它主要依赖几个关键的npm包来实现核心功能youtubei.js: 一个强大的非官方YouTube内部API客户端库用于模拟请求、获取视频元数据和字幕流信息。这是项目能绕过官方限制、稳定获取数据的关键。modelcontextprotocol/sdk: Anthropic官方提供的MCP协议SDK用于快速构建符合标准的MCP服务器。它处理了协议握手、资源定义、工具调用等底层通信细节。在开始之前请确保你的网络环境能够正常访问YouTube。由于项目使用的是非官方API其稳定性和访问成功率可能受到YouTube前端变更的影响但维护者通常会更新的很及时。3.2 三种部署方式实操指南项目提供了极大的灵活性支持从本地运行到服务器部署等多种方式。这里我详细拆解最常见的三种并分享我的选择建议。3.2.1 本地运行开发与快速体验这是最快捷的入门方式适合想要立即尝鲜或进行二次开发的用户。# 1. 克隆项目代码到本地 git clone https://github.com/iamyosuke/youtube-caption-mcp.git cd youtube-caption-mcp # 2. 安装项目依赖 npm install # 3. 启动MCP服务器 node index.js启动后服务器默认会在http://localhost:3000或某个指定的端口上监听。你会看到控制台输出服务器已就绪的信息。此时你需要配置你的AI客户端如Claude Desktop来连接这个本地服务器。注意本地运行模式要求你的AI客户端和这个服务器在同一台机器上。如果你关闭了终端窗口服务器进程也会停止。3.2.2 通过Claude Desktop直接配置最推荐给终端用户对于绝大多数非开发者的Claude用户这是最无缝的体验方式。Claude Desktop原生支持MCP可以直接在配置文件中添加服务器信息。找到你的Claude Desktop配置文件。它的位置通常如下macOS:~/Library/Application Support/Claude/claude_desktop_config.jsonWindows:%APPDATA%\Claude\claude_desktop_config.jsonLinux:~/.config/Claude/claude_desktop_config.json编辑这个JSON文件。在mcpServers字段中添加一个新的服务器配置。如果你通过npm start在本地运行配置如下{ mcpServers: { youtube-captions: { command: node, args: [ /ABSOLUTE/PATH/TO/youtube-caption-mcp/index.js ] } } }关键点args中的路径必须是绝对路径。你需要将/ABSOLUTE/PATH/TO/替换为你电脑上youtube-caption-mcp文件夹的实际位置。保存配置文件并完全重启Claude Desktop应用不是关闭窗口而是从任务栏/程序坞彻底退出再重新打开。重启后Claude就具备了访问YouTube字幕的能力。你可以在对话中直接尝试“请帮我总结一下这个视频的内容 https://www.youtube.com/watch?vxxx”。3.2.3 使用Docker容器化部署对于希望长期运行在服务器上或者使用不支持本地MCP服务器的AI客户端的用户Docker是最佳选择。它解决了环境依赖问题并能方便地部署在云服务器或NAS上。项目提供了Dockerfile构建和运行非常简单# 1. 构建Docker镜像 (在项目根目录执行) docker build -t youtube-caption-mcp . # 2. 运行容器 docker run -d -p 3000:3000 --name yt-caption-mcp youtube-caption-mcp这将在后台启动一个容器并将容器的3000端口映射到主机的3000端口。现在你的MCP服务器可以通过http://你的服务器IP:3000来访问。高级配置在Docker运行时你可以通过环境变量来配置服务器例如改变端口docker run -d -p 8080:8080 -e PORT8080 --name yt-caption-mcp youtube-caption-mcp我的实操心得对于个人日常使用第二种方式配置Claude Desktop是体验最流畅的无需关心服务器进程。如果你需要让团队共用或者你的AI工作流平台如某些自建的AI应用需要通过网络调用MCP服务那么Docker部署是更专业和可持续的选择。记得在云服务器上配置好防火墙规则只允许可信的IP访问3000端口。4. 核心功能与API接口深度剖析部署完成后我们来深入看看这个服务器具体提供了哪些能力。根据MCP协议能力主要通过resources静态资源和tools可调用工具来暴露。理解这些接口是高效使用和潜在扩展的基础。4.1 资源Resources以URI形式访问字幕在MCP模型中Resource代表一个可以被读取的静态数据单元。在这个服务器里每个YouTube视频的字幕被建模为一个资源其URI格式是固定的youtube-captions://video/{video_id}其中{video_id}就是YouTube视频URL中v后面的那串字符例如dQw4w9WgXcQ。当AI客户端如Claude需要某个视频的字幕时它可以直接“请求”这个URI。服务器收到请求后会执行以下流程解析出video_id。调用youtubei.js库向YouTube发起请求获取视频的可用字幕轨道列表包括自动生成的和手动上传的。通常优先选择“英语自动生成”或用户指定的语言轨道。抓取字幕的原始数据可能是XML格式的.srt或.vtt文件内容。将原始字幕数据解析、清洗转换成纯文本或结构化的JSON格式。将处理后的文本作为资源的内容返回给客户端。这个过程的精妙之处在于对客户端透明。Claude不需要知道如何抓取YouTube、如何解析XML它只需要知道“有一个叫youtube-captions://的资源协议我可以去那里读数据”。这极大地简化了AI应用集成外部数据源的复杂度。4.2 工具Tools主动获取字幕的“扳手”除了被动提供资源MCP服务器还可以提供主动调用的Tool。在这个项目中最主要的工具可能就是get_captions。虽然从功能结果上看它和访问资源类似但使用场景有细微差别。资源Resource更适合“我知道我要什么直接去拿”的场景。例如Claude在后台自动为你分析一个你提供的链接时。工具Tool则更像一个函数调用可以接受更灵活的参数并可能在调用过程中执行一些逻辑。例如工具可能允许用户动态选择字幕语言language‘zh-Hans’或者选择返回格式format‘text’或format‘json’。在Claude的对话中当你提到一个YouTube链接Claude可能会在后台自动使用get_captions工具或者询问你是否需要获取它的字幕。调用工具后工具会返回获取到的字幕文本Claude再基于这些文本进行后续的分析、总结等操作。参数深度解析 一个设计良好的get_captions工具可能会支持以下参数video_url或video_id视频标识必填。language语言代码如en,zh-CN,ja。服务器会尝试获取该语言的字幕如果不存在则回退到可用语言或自动生成字幕。format输出格式。plain是纯文本所有时间戳和换行符被移除适合直接喂给LLMsrt或vtt保留完整的时间轴格式json则提供结构化的数据每个条目包含start,duration,text便于程序处理。include_timestamps布尔值是否在纯文本中保留粗略的时间点提示如[05:30]这对于需要定位视频片段的场景很有用。在实际使用中你可以通过Claude的界面观察它是否调用了这个工具这有助于你理解其工作流程。4.3 返回数据结构与使用示例了解服务器返回的数据结构能帮助你在集成时更好地利用数据。以下是两种常见格式的示例1. 纯文本格式 (format‘plain’)Welcome to this tutorial on machine learning. In the first part, we will cover the basics of neural networks. A neural network consists of layers of interconnected nodes. Each node performs a simple computation. The power comes from the collective behavior of many nodes. Now, lets look at a practical example in Python.这种格式去除了所有时间戳和格式是LLM进行文本理解、总结、翻译的最佳输入。2. 结构化JSON格式 (format‘json’){ videoId: dQw4w9WgXcQ, title: Machine Learning Tutorial for Beginners, captions: [ { start: 0.0, duration: 4.5, text: Welcome to this tutorial on machine learning. }, { start: 4.5, duration: 6.0, text: In the first part, we will cover the basics of neural networks. }, { start: 10.5, duration: 5.0, text: A neural network consists of layers of interconnected nodes. } ] }这种格式包含了丰富的时间元数据适合需要精确定位、制作剪辑点、或进行更复杂时序分析的应用程序。我的使用建议对于绝大多数通过Claude等聊天助手进行交互的场景你完全不需要关心返回格式AI会处理好一切。但如果你是开发者想要在自己的程序里调用这个MCP服务器那么通过工具调用并指定formatjson会让你获得最大灵活性的数据便于后续处理。5. 与AI客户端集成实战让MCP服务器跑起来只是第一步让它与你日常使用的AI助手协同工作才能发挥最大价值。下面我以几个主流平台为例展示具体的集成配置和操作技巧。5.1 集成Claude Desktop无缝体验的核心Claude Desktop是Anthropic官方的桌面应用也是对MCP支持最原生的平台。配置方法已在第3.2.2节详细说明。这里补充一些高级技巧和排查方法。配置验证 配置完成后如何确认Claude识别到了我们的服务器一个简单的方法是向Claude提问一些需要“思考”或“使用工具”的关于YouTube视频的问题。更直接的方式是在某些版本的Claude Desktop设置中会有“MCP服务器”状态显示。最可靠的方式是查看Claude Desktop的日志文件通常位于配置文件的同目录下搜索mcp或youtube-captions关键字查看连接和初始化日志。使用模式 集成后你的使用模式会变得非常自然直接提问“请总结一下 https://www.youtube.com/watch?vabc123 这个视频的要点。”多轮交互你可以先让它获取字幕然后基于内容连续追问“视频里提到的XX概念能用更简单的语言解释一下吗”、“列出视频中演示的三个主要步骤。”结合其他能力Claude可以同时使用多个MCP服务器。例如你可以同时配置了YouTube字幕服务器和网络搜索服务器。当你问“这个视频里说的XX事件最近有什么新进展”Claude可以先提取视频字幕了解事件背景再调用网络搜索工具查找最新新闻最后给你一个综合回答。常见集成问题排查Claude完全没反应检查配置文件路径和格式是否正确JSON是否合法可以用在线JSON校验工具。确保Claude Desktop已完全重启。Claude提示“无法访问该链接”或“我不具备浏览功能”这说明Claude没有成功调用字幕工具。可能是服务器启动失败或者配置的命令路径不对。请检查Claude Desktop日志中的错误信息。获取字幕失败服务器日志如果你在终端运行或Claude的响应中可能会显示“No captions found”或“Failed to fetch”。这通常是网络问题或该视频确实没有字幕包括自动生成字幕也可能是youtubei.js库因YouTube改版而暂时失效等待项目更新即可。5.2 集成Cursor IDE开发者的效率利器Cursor作为一款深度融合AI的IDE同样支持MCP。这意味着你可以在写代码时直接让AI助手分析相关的技术教程视频。配置方式与Claude Desktop类似需要找到Cursor的配置文件。位置可能因系统而异通常在~/.cursor/mcp.json或者需要在Cursor的设置界面中寻找“MCP Servers”或“Advanced Settings”进行配置。配置格式同样是JSON指定服务器的命令或网络地址。配置成功后你可以在Cursor的聊天框中粘贴一个技术栈相关的YouTube视频链接并让AI助手帮你提取其中的代码示例、架构图描述或问题解决方案极大地提升学习效率。5.3 集成其他支持MCP的平台MCP的生态正在快速增长。除了上述两个理论上任何实现了MCP客户端协议的应用程序都可以集成。例如自定义AI应用如果你正在用LangChain、LlamaIndex或直接调用OpenAI/Anthropic API构建自己的AI应用你可以集成MCP客户端SDK将YouTube字幕作为外部工具引入你的智能体工作流。未来的AI平台随着MCP的普及预计会有越来越多的AI助手、聊天机器人平台支持该协议。集成的心得MCP的魅力在于“配置一次到处运行”。一旦你在一个平台上配置好了youtube-caption-mcp你就获得了一个稳定的视频内容提取能力。这比为你使用的每一个AI工具都去找一个专门的YouTube插件要省心、可靠得多。关键在于理解MCP的“服务器-客户端”模型我们的项目是服务器提供能力各种AI应用是客户端消费能力。只要遵循协议它们就能互通。6. 高级应用场景与脚本示例掌握了基本使用后我们可以玩点更花的。这个MCP服务器的能力可以通过脚本和组合其他工具迸发出更大的能量。6.1 自动化工作流构建假设你是一个内容创作者每周需要观看并分析10个竞品视频。手动操作效率极低。你可以编写一个简单的脚本自动化这个过程# 示例使用Python调用本地MCP服务器进行批量处理 import requests import json import sys # 假设你的MCP服务器运行在本地3000端口例如通过Docker运行 MCP_SERVER_URL http://localhost:3000 def get_video_captions(video_id): 通过MCP服务器的工具接口获取字幕假设服务器暴露了HTTP端点 # 注意标准MCP通信通常使用stdio或SSE这里为演示简化成HTTP。 # 实际中你需要使用MCP客户端SDK或模拟MCP握手过程。 # 以下为概念性代码。 payload { jsonrpc: 2.0, id: 1, method: tools/call, params: { name: get_captions, arguments: { videoId: video_id, format: plain } } } response requests.post(f{MCP_SERVER_URL}/mcp, jsonpayload) result response.json() return result.get(result, {}).get(content, ) def analyze_with_llm(captions_text): 将字幕文本发送给LLM API进行分析 # 这里调用OpenAI、Anthropic或本地LLM的API # 提示词示例“请分析以下视频字幕文本总结出三个核心观点和两个使用的技巧” # ... 调用API并返回分析结果 pass if __name__ __main__: video_list [video_id_1, video_id_2] # 你的视频ID列表 for vid in video_list: print(f处理视频: {vid}) captions get_video_captions(vid) if captions: analysis analyze_with_llm(captions) print(analysis) # 将结果保存到文件或数据库 with open(fanalysis_{vid}.txt, w) as f: f.write(analysis) else: print(f 无法获取视频 {vid} 的字幕)这个脚本展示了将youtube-caption-mcp作为自动化流水线中一个环节的思路。你可以用Cron或GitHub Actions定时运行它实现每日/每周的自动竞品分析报告生成。6.2 与笔记软件联动如Obsidian如果你是Obsidian或其他支持插件的笔记软件用户你可以创造一种全新的学习方式写一个Obsidian插件或使用QuickAdd等现有插件捕获一个YouTube链接。插件在后台调用本地的MCP服务器可以是一个始终运行在后台的Docker容器获取视频字幕。将字幕文本连同你指定的分析提示词如“生成Markdown格式的详细笔记包含章节标题、要点列表和关键术语解释”一并发送给LLM API。将LLM生成的精美笔记直接插入或创建为新的Obsidian笔记。这样你看完一个高质量的技术分享视频一份结构化的学习笔记已经自动生成在你的知识库中极大地提升了知识消化的效率。6.3 多语言学习助手将本项目与实时翻译API结合可以打造一个强大的语言学习工具。获取原始英文字幕。使用LLM其本身就有强大翻译能力或专门的翻译API进行高质量翻译。输出双语对照文本或者生成包含生词解释、语法点分析的学习材料。由于获取的是原始字幕文本其翻译质量通常优于直接使用YouTube的自动生成翻译尤其是在处理专业术语和俚语时。场景拓展的核心理念不要只把它看作一个“下载字幕”的工具而是视为一个“将视频内容转化为结构化文本数据”的通用服务。一旦数据是文本格式你就可以用所有处理文本的工具LLM、搜索引擎、分析脚本去加工它想象力空间就此打开。7. 常见问题、故障排查与优化技巧在实际使用中你可能会遇到各种问题。这里我汇总了常见的情况和解决方案以及一些提升稳定性和效率的技巧。7.1 常见错误与解决方案问题现象可能原因解决方案Claude提示“未能访问该链接”或直接忽略视频链接1. MCP服务器未启动或配置错误。2. Claude未正确加载MCP配置。1. 检查服务器进程是否运行 (ps aux | grep node或查看Docker容器状态)。2. 检查Claude配置文件路径和语法确保绝对路径正确。3.彻底重启Claude Desktop。服务器日志显示“No captions found”1. 该视频未开启字幕包括自动生成字幕。2. 视频可能被设为私享或不公开。3.youtubei.js库暂时无法解析该视频页面。1. 在YouTube网页上确认该视频是否有字幕CC图标。2. 尝试另一个有公开字幕的视频进行测试。3. 等待项目维护者更新youtubei.js依赖。获取字幕速度很慢1. 网络连接到YouTube速度慢。2. 视频字幕文件很大。3. 服务器所在环境性能不足。1. 考虑在网络更好的环境中部署服务器。2. 对于超长视频可以提示AI只总结前30分钟内容在对话中指定。3. 无解取决于YouTube的响应速度。返回的字幕乱码或格式错乱字幕原始编码问题或解析器对特定语言/字符支持不佳。1. 尝试指定不同的语言参数如lang‘en’。2. 如果项目开源可以检查相关解析代码的Issue页面。Docker容器启动后立即退出1. Dockerfile中启动命令错误。2. 端口冲突或环境变量问题。1. 使用docker logs container_id查看具体错误日志。2. 确保主机端口未被占用或修改映射端口。7.2 性能与稳定性优化使用持久化Docker容器对于长期使用建议使用Docker Compose或--restart unless-stopped策略运行容器确保服务器在主机重启后能自动运行。docker run -d --restart unless-stopped -p 3000:3000 --name yt-mcp youtube-caption-mcp考虑添加缓存层如果你频繁分析同一个视频重复请求会浪费资源和时间。一个高级的优化方案是在MCP服务器前加一层缓存比如Redis。修改服务器代码在获取字幕前先查询缓存没有命中再去请求YouTube并将结果存入缓存一段时间例如1小时。这能显著提升响应速度并降低对YouTube的请求压力。处理速率限制虽然非官方API但过于频繁的请求仍可能触发YouTube的临时限制。在脚本中批量处理视频时建议在请求间添加随机延迟例如1-3秒模拟人类操作行为。备用方案准备重要的工作流不要100%依赖于此单一服务。youtube-caption-mcp依赖于一个逆向工程库存在随时失效的风险。对于关键应用可以调研其他字幕提取方案如yt-dlp作为备用或者定期测试服务的可用性。7.3 隐私与使用伦理提醒数据用途提取的字幕应仅用于个人学习、研究或符合YouTube服务条款的合理使用。切勿用于大量盗版、洗稿或任何侵犯创作者权益的用途。隐私考虑如果你将MCP服务器部署在公共云上确保其不会泄露你的使用记录或缓存了敏感视频内容。Docker容器应配置适当的网络隔离。尊重平台此工具利用了YouTube的公共接口使用时请保持合理的请求频率避免给目标服务器造成不必要的负担。8. 项目二次开发与扩展方向如果你是一名开发者iamyosuke/youtube-caption-mcp提供了一个绝佳的起点。它的代码结构清晰基于标准的MCP SDK非常适合进行定制化扩展。8.1 代码结构导读典型的项目结构可能如下youtube-caption-mcp/ ├── index.js # 服务器主入口文件 ├── package.json # 项目依赖和元数据 ├── src/ │ ├── server.js # MCP服务器核心逻辑 │ ├── youtube/ # YouTube API相关封装 │ │ └── captions.js # 字幕获取和解析的核心函数 │ └── utils.js # 工具函数 └── Dockerfile # 容器化构建文件index.js通常负责加载配置、初始化并启动MCP服务器。src/server.js是核心在这里定义MCP的resources和tools并处理客户端的请求。src/youtube/captions.js是业务逻辑所在它使用youtubei.js库完成实际的抓取和解析工作。8.2 如何添加新功能例如获取视频元数据假设我们想扩展服务器让它不仅能获取字幕还能获取视频标题、描述、发布时间等元数据。定义新的Tool或Resource 在src/server.js中模仿现有的get_captions工具定义一个新的工具例如get_video_metadata。// 在定义tools的地方添加 const tools { get_captions: { ... }, // 原有的 get_video_metadata: { name: get_video_metadata, description: 获取YouTube视频的元数据如标题、描述、发布时间等。, inputSchema: { type: object, properties: { videoId: { type: string, description: YouTube视频ID } }, required: [videoId] } } };实现工具处理函数 在请求处理逻辑中为新的工具添加一个处理分支。async function handleToolCall(toolName, args) { if (toolName get_captions) { // ... 原有逻辑 } else if (toolName get_video_metadata) { const { videoId } args; // 调用 youtubei.js 库获取视频信息 const info await youtubeClient.getVideoInfo(videoId); return { content: [ { type: text, text: JSON.stringify({ title: info.videoDetails.title, description: info.videoDetails.shortDescription, publishDate: info.videoDetails.publishDate, lengthSeconds: info.videoDetails.lengthSeconds, viewCount: info.videoDetails.viewCount }, null, 2) } ] }; } }更新依赖和测试 确保youtubei.js库提供了获取元数据的方法通常getVideoInfo是存在的。然后重启服务器在Claude中测试新工具是否可用。8.3 贡献与社区这是一个开源项目你的使用和反馈就是对作者最大的支持。如果你发现了bug或者有好的功能建议可以到GitHub仓库提交Issue。如果你修复了问题或实现了新功能提交Pull Request是参与开源贡献的最佳方式。在提交前请确保阅读项目的贡献指南如果有的话。在你的分支上充分测试新功能。保持代码风格与现有项目一致。通过这样的扩展你可以将这个MCP服务器打造成一个功能更全面的“YouTube信息助手”满足更复杂场景的需求。
基于MCP协议构建AI视频理解工具：YouTube字幕提取与集成指南
发布时间：2026/5/16 13:17:04
1. 项目概述一个为AI智能体“开眼”的桥梁如果你正在探索如何让AI大语言模型LLM或AI智能体Agent真正“看懂”视频内容那么你很可能已经遇到了一个核心瓶颈视频本身是非结构化的二进制数据流而AI模型擅长处理的是文本。iamyosuke/youtube-caption-mcp这个项目正是为解决这一痛点而生。它是一个基于模型上下文协议Model Context Protocol MCP的服务器专门用于从YouTube视频中提取字幕包括自动生成的字幕和创作者上传的CC字幕并将其转化为结构化的文本信息无缝提供给Claude、GPTs或其他任何支持MCP协议的AI助手。简单来说它就像是一个专业的“视频内容翻译官”。当你的AI助手需要分析一个YouTube视频链接时它不再只能看到一个无法解析的URL而是可以通过这个MCP服务器直接获取到视频的完整字幕文本、时间戳甚至是按段落划分的结构化内容。这对于内容总结、要点提炼、多语言学习、事实核查、研究辅助等场景来说无疑是打开了新世界的大门。无论你是开发者想要构建一个能分析视频的AI应用还是普通用户希望让Claude Desktop帮你快速了解长视频的核心内容这个工具都提供了极其优雅和标准化的接入方案。2. MCP协议与项目定位解析2.1 什么是MCP为什么它是关键在深入项目细节之前必须理解MCP是什么因为它定义了整个项目的运作范式。MCP是由Anthropic提出的一种开放协议旨在标准化AI应用程序如Claude Desktop与外部工具、数据源之间的通信方式。你可以把它想象成电脑的USB-C接口标准只要设备工具和主机AI应用都支持这个协议它们就能即插即用无需为每一个新工具开发专门的驱动程序。在MCP出现之前为AI助手添加新功能往往需要修改其核心代码或依赖特定的插件框架过程繁琐且不通用。MCP通过定义一套清晰的resources资源代表数据和tools工具代表可执行操作模型实现了功能的模块化和标准化。iamyosuke/youtube-caption-mcp就是一个严格遵循MCP标准实现的服务器。它向AI助手宣告“我这里有‘YouTube视频字幕’这种资源以及‘获取字幕’这个工具你可以按标准方式来查询和调用。”这种设计带来了巨大优势一次部署多处使用。只要你使用的AI客户端如Claude Desktop、Cursor IDE等支持MCP你配置好这个服务器后就可以在所有地方使用这个“获取YouTube字幕”的能力而不需要为每个客户端单独寻找或开发插件。2.2 项目核心价值与适用场景这个项目的价值远不止于“下载字幕”。它通过MCP将视频内容转化为了AI可高效处理的结构化、语义化数据从而解锁了一系列高级应用场景AI辅助学习与研究丢给AI助手一个长达数小时的学术讲座或技术大会视频链接让它基于完整的字幕文本生成详细的知识点大纲、学习笔记或QA列表。研究者可以快速筛选多个相关视频进行交叉引用和观点归纳。内容创作与运营自媒体从业者可以用它分析竞品视频的文案结构、高频词汇和话题脉络。需要制作视频精华剪辑时AI可以根据字幕和时间戳直接建议精彩片段的位置。无障碍与多语言支持虽然YouTube自带翻译但通过MCP获取原始字幕后再进行AI翻译往往在专业术语和上下文连贯性上表现更佳为听障人士或外语学习者提供了更强大的辅助工具。事实核查与信息验证针对热点事件的视频报道可以快速提取关键陈述结合AI的联网搜索能力进行交叉验证提高信息甄别效率。构建更强大的AI智能体对于开发者这是一个高质量、高可靠性的视频内容数据源。你可以基于它构建能“观看”并“理解”视频的专属智能体用于客服培训视频分析、产品评测汇总、市场情绪洞察等垂直领域。项目的定位非常清晰做AI与YouTube视频内容之间最轻量、最标准、最可靠的数据管道。它不试图做一个功能庞杂的YouTube下载器或客户端而是聚焦于“字幕提取”这一核心需求并通过MCP协议将其能力原子化、标准化完美融入现代AI应用生态。3. 环境准备与部署详解3.1 系统与依赖要求这个项目基于Node.js开发因此部署的前提是拥有一个Node.js运行环境。我推荐使用Node.js 18 LTS或更高版本以获得最佳的兼容性和性能。你可以通过node -v命令来检查当前版本。除了Node.js项目本身没有额外的系统级强依赖如FFmpeg。它主要依赖几个关键的npm包来实现核心功能youtubei.js: 一个强大的非官方YouTube内部API客户端库用于模拟请求、获取视频元数据和字幕流信息。这是项目能绕过官方限制、稳定获取数据的关键。modelcontextprotocol/sdk: Anthropic官方提供的MCP协议SDK用于快速构建符合标准的MCP服务器。它处理了协议握手、资源定义、工具调用等底层通信细节。在开始之前请确保你的网络环境能够正常访问YouTube。由于项目使用的是非官方API其稳定性和访问成功率可能受到YouTube前端变更的影响但维护者通常会更新的很及时。3.2 三种部署方式实操指南项目提供了极大的灵活性支持从本地运行到服务器部署等多种方式。这里我详细拆解最常见的三种并分享我的选择建议。3.2.1 本地运行开发与快速体验这是最快捷的入门方式适合想要立即尝鲜或进行二次开发的用户。# 1. 克隆项目代码到本地 git clone https://github.com/iamyosuke/youtube-caption-mcp.git cd youtube-caption-mcp # 2. 安装项目依赖 npm install # 3. 启动MCP服务器 node index.js启动后服务器默认会在http://localhost:3000或某个指定的端口上监听。你会看到控制台输出服务器已就绪的信息。此时你需要配置你的AI客户端如Claude Desktop来连接这个本地服务器。注意本地运行模式要求你的AI客户端和这个服务器在同一台机器上。如果你关闭了终端窗口服务器进程也会停止。3.2.2 通过Claude Desktop直接配置最推荐给终端用户对于绝大多数非开发者的Claude用户这是最无缝的体验方式。Claude Desktop原生支持MCP可以直接在配置文件中添加服务器信息。找到你的Claude Desktop配置文件。它的位置通常如下macOS:~/Library/Application Support/Claude/claude_desktop_config.jsonWindows:%APPDATA%\Claude\claude_desktop_config.jsonLinux:~/.config/Claude/claude_desktop_config.json编辑这个JSON文件。在mcpServers字段中添加一个新的服务器配置。如果你通过npm start在本地运行配置如下{ mcpServers: { youtube-captions: { command: node, args: [ /ABSOLUTE/PATH/TO/youtube-caption-mcp/index.js ] } } }关键点args中的路径必须是绝对路径。你需要将/ABSOLUTE/PATH/TO/替换为你电脑上youtube-caption-mcp文件夹的实际位置。保存配置文件并完全重启Claude Desktop应用不是关闭窗口而是从任务栏/程序坞彻底退出再重新打开。重启后Claude就具备了访问YouTube字幕的能力。你可以在对话中直接尝试“请帮我总结一下这个视频的内容 https://www.youtube.com/watch?vxxx”。3.2.3 使用Docker容器化部署对于希望长期运行在服务器上或者使用不支持本地MCP服务器的AI客户端的用户Docker是最佳选择。它解决了环境依赖问题并能方便地部署在云服务器或NAS上。项目提供了Dockerfile构建和运行非常简单# 1. 构建Docker镜像 (在项目根目录执行) docker build -t youtube-caption-mcp . # 2. 运行容器 docker run -d -p 3000:3000 --name yt-caption-mcp youtube-caption-mcp这将在后台启动一个容器并将容器的3000端口映射到主机的3000端口。现在你的MCP服务器可以通过http://你的服务器IP:3000来访问。高级配置在Docker运行时你可以通过环境变量来配置服务器例如改变端口docker run -d -p 8080:8080 -e PORT8080 --name yt-caption-mcp youtube-caption-mcp我的实操心得对于个人日常使用第二种方式配置Claude Desktop是体验最流畅的无需关心服务器进程。如果你需要让团队共用或者你的AI工作流平台如某些自建的AI应用需要通过网络调用MCP服务那么Docker部署是更专业和可持续的选择。记得在云服务器上配置好防火墙规则只允许可信的IP访问3000端口。4. 核心功能与API接口深度剖析部署完成后我们来深入看看这个服务器具体提供了哪些能力。根据MCP协议能力主要通过resources静态资源和tools可调用工具来暴露。理解这些接口是高效使用和潜在扩展的基础。4.1 资源Resources以URI形式访问字幕在MCP模型中Resource代表一个可以被读取的静态数据单元。在这个服务器里每个YouTube视频的字幕被建模为一个资源其URI格式是固定的youtube-captions://video/{video_id}其中{video_id}就是YouTube视频URL中v后面的那串字符例如dQw4w9WgXcQ。当AI客户端如Claude需要某个视频的字幕时它可以直接“请求”这个URI。服务器收到请求后会执行以下流程解析出video_id。调用youtubei.js库向YouTube发起请求获取视频的可用字幕轨道列表包括自动生成的和手动上传的。通常优先选择“英语自动生成”或用户指定的语言轨道。抓取字幕的原始数据可能是XML格式的.srt或.vtt文件内容。将原始字幕数据解析、清洗转换成纯文本或结构化的JSON格式。将处理后的文本作为资源的内容返回给客户端。这个过程的精妙之处在于对客户端透明。Claude不需要知道如何抓取YouTube、如何解析XML它只需要知道“有一个叫youtube-captions://的资源协议我可以去那里读数据”。这极大地简化了AI应用集成外部数据源的复杂度。4.2 工具Tools主动获取字幕的“扳手”除了被动提供资源MCP服务器还可以提供主动调用的Tool。在这个项目中最主要的工具可能就是get_captions。虽然从功能结果上看它和访问资源类似但使用场景有细微差别。资源Resource更适合“我知道我要什么直接去拿”的场景。例如Claude在后台自动为你分析一个你提供的链接时。工具Tool则更像一个函数调用可以接受更灵活的参数并可能在调用过程中执行一些逻辑。例如工具可能允许用户动态选择字幕语言language‘zh-Hans’或者选择返回格式format‘text’或format‘json’。在Claude的对话中当你提到一个YouTube链接Claude可能会在后台自动使用get_captions工具或者询问你是否需要获取它的字幕。调用工具后工具会返回获取到的字幕文本Claude再基于这些文本进行后续的分析、总结等操作。参数深度解析 一个设计良好的get_captions工具可能会支持以下参数video_url或video_id视频标识必填。language语言代码如en,zh-CN,ja。服务器会尝试获取该语言的字幕如果不存在则回退到可用语言或自动生成字幕。format输出格式。plain是纯文本所有时间戳和换行符被移除适合直接喂给LLMsrt或vtt保留完整的时间轴格式json则提供结构化的数据每个条目包含start,duration,text便于程序处理。include_timestamps布尔值是否在纯文本中保留粗略的时间点提示如[05:30]这对于需要定位视频片段的场景很有用。在实际使用中你可以通过Claude的界面观察它是否调用了这个工具这有助于你理解其工作流程。4.3 返回数据结构与使用示例了解服务器返回的数据结构能帮助你在集成时更好地利用数据。以下是两种常见格式的示例1. 纯文本格式 (format‘plain’)Welcome to this tutorial on machine learning. In the first part, we will cover the basics of neural networks. A neural network consists of layers of interconnected nodes. Each node performs a simple computation. The power comes from the collective behavior of many nodes. Now, lets look at a practical example in Python.这种格式去除了所有时间戳和格式是LLM进行文本理解、总结、翻译的最佳输入。2. 结构化JSON格式 (format‘json’){ videoId: dQw4w9WgXcQ, title: Machine Learning Tutorial for Beginners, captions: [ { start: 0.0, duration: 4.5, text: Welcome to this tutorial on machine learning. }, { start: 4.5, duration: 6.0, text: In the first part, we will cover the basics of neural networks. }, { start: 10.5, duration: 5.0, text: A neural network consists of layers of interconnected nodes. } ] }这种格式包含了丰富的时间元数据适合需要精确定位、制作剪辑点、或进行更复杂时序分析的应用程序。我的使用建议对于绝大多数通过Claude等聊天助手进行交互的场景你完全不需要关心返回格式AI会处理好一切。但如果你是开发者想要在自己的程序里调用这个MCP服务器那么通过工具调用并指定formatjson会让你获得最大灵活性的数据便于后续处理。5. 与AI客户端集成实战让MCP服务器跑起来只是第一步让它与你日常使用的AI助手协同工作才能发挥最大价值。下面我以几个主流平台为例展示具体的集成配置和操作技巧。5.1 集成Claude Desktop无缝体验的核心Claude Desktop是Anthropic官方的桌面应用也是对MCP支持最原生的平台。配置方法已在第3.2.2节详细说明。这里补充一些高级技巧和排查方法。配置验证 配置完成后如何确认Claude识别到了我们的服务器一个简单的方法是向Claude提问一些需要“思考”或“使用工具”的关于YouTube视频的问题。更直接的方式是在某些版本的Claude Desktop设置中会有“MCP服务器”状态显示。最可靠的方式是查看Claude Desktop的日志文件通常位于配置文件的同目录下搜索mcp或youtube-captions关键字查看连接和初始化日志。使用模式 集成后你的使用模式会变得非常自然直接提问“请总结一下 https://www.youtube.com/watch?vabc123 这个视频的要点。”多轮交互你可以先让它获取字幕然后基于内容连续追问“视频里提到的XX概念能用更简单的语言解释一下吗”、“列出视频中演示的三个主要步骤。”结合其他能力Claude可以同时使用多个MCP服务器。例如你可以同时配置了YouTube字幕服务器和网络搜索服务器。当你问“这个视频里说的XX事件最近有什么新进展”Claude可以先提取视频字幕了解事件背景再调用网络搜索工具查找最新新闻最后给你一个综合回答。常见集成问题排查Claude完全没反应检查配置文件路径和格式是否正确JSON是否合法可以用在线JSON校验工具。确保Claude Desktop已完全重启。Claude提示“无法访问该链接”或“我不具备浏览功能”这说明Claude没有成功调用字幕工具。可能是服务器启动失败或者配置的命令路径不对。请检查Claude Desktop日志中的错误信息。获取字幕失败服务器日志如果你在终端运行或Claude的响应中可能会显示“No captions found”或“Failed to fetch”。这通常是网络问题或该视频确实没有字幕包括自动生成字幕也可能是youtubei.js库因YouTube改版而暂时失效等待项目更新即可。5.2 集成Cursor IDE开发者的效率利器Cursor作为一款深度融合AI的IDE同样支持MCP。这意味着你可以在写代码时直接让AI助手分析相关的技术教程视频。配置方式与Claude Desktop类似需要找到Cursor的配置文件。位置可能因系统而异通常在~/.cursor/mcp.json或者需要在Cursor的设置界面中寻找“MCP Servers”或“Advanced Settings”进行配置。配置格式同样是JSON指定服务器的命令或网络地址。配置成功后你可以在Cursor的聊天框中粘贴一个技术栈相关的YouTube视频链接并让AI助手帮你提取其中的代码示例、架构图描述或问题解决方案极大地提升学习效率。5.3 集成其他支持MCP的平台MCP的生态正在快速增长。除了上述两个理论上任何实现了MCP客户端协议的应用程序都可以集成。例如自定义AI应用如果你正在用LangChain、LlamaIndex或直接调用OpenAI/Anthropic API构建自己的AI应用你可以集成MCP客户端SDK将YouTube字幕作为外部工具引入你的智能体工作流。未来的AI平台随着MCP的普及预计会有越来越多的AI助手、聊天机器人平台支持该协议。集成的心得MCP的魅力在于“配置一次到处运行”。一旦你在一个平台上配置好了youtube-caption-mcp你就获得了一个稳定的视频内容提取能力。这比为你使用的每一个AI工具都去找一个专门的YouTube插件要省心、可靠得多。关键在于理解MCP的“服务器-客户端”模型我们的项目是服务器提供能力各种AI应用是客户端消费能力。只要遵循协议它们就能互通。6. 高级应用场景与脚本示例掌握了基本使用后我们可以玩点更花的。这个MCP服务器的能力可以通过脚本和组合其他工具迸发出更大的能量。6.1 自动化工作流构建假设你是一个内容创作者每周需要观看并分析10个竞品视频。手动操作效率极低。你可以编写一个简单的脚本自动化这个过程# 示例使用Python调用本地MCP服务器进行批量处理 import requests import json import sys # 假设你的MCP服务器运行在本地3000端口例如通过Docker运行 MCP_SERVER_URL http://localhost:3000 def get_video_captions(video_id): 通过MCP服务器的工具接口获取字幕假设服务器暴露了HTTP端点 # 注意标准MCP通信通常使用stdio或SSE这里为演示简化成HTTP。 # 实际中你需要使用MCP客户端SDK或模拟MCP握手过程。 # 以下为概念性代码。 payload { jsonrpc: 2.0, id: 1, method: tools/call, params: { name: get_captions, arguments: { videoId: video_id, format: plain } } } response requests.post(f{MCP_SERVER_URL}/mcp, jsonpayload) result response.json() return result.get(result, {}).get(content, ) def analyze_with_llm(captions_text): 将字幕文本发送给LLM API进行分析 # 这里调用OpenAI、Anthropic或本地LLM的API # 提示词示例“请分析以下视频字幕文本总结出三个核心观点和两个使用的技巧” # ... 调用API并返回分析结果 pass if __name__ __main__: video_list [video_id_1, video_id_2] # 你的视频ID列表 for vid in video_list: print(f处理视频: {vid}) captions get_video_captions(vid) if captions: analysis analyze_with_llm(captions) print(analysis) # 将结果保存到文件或数据库 with open(fanalysis_{vid}.txt, w) as f: f.write(analysis) else: print(f 无法获取视频 {vid} 的字幕)这个脚本展示了将youtube-caption-mcp作为自动化流水线中一个环节的思路。你可以用Cron或GitHub Actions定时运行它实现每日/每周的自动竞品分析报告生成。6.2 与笔记软件联动如Obsidian如果你是Obsidian或其他支持插件的笔记软件用户你可以创造一种全新的学习方式写一个Obsidian插件或使用QuickAdd等现有插件捕获一个YouTube链接。插件在后台调用本地的MCP服务器可以是一个始终运行在后台的Docker容器获取视频字幕。将字幕文本连同你指定的分析提示词如“生成Markdown格式的详细笔记包含章节标题、要点列表和关键术语解释”一并发送给LLM API。将LLM生成的精美笔记直接插入或创建为新的Obsidian笔记。这样你看完一个高质量的技术分享视频一份结构化的学习笔记已经自动生成在你的知识库中极大地提升了知识消化的效率。6.3 多语言学习助手将本项目与实时翻译API结合可以打造一个强大的语言学习工具。获取原始英文字幕。使用LLM其本身就有强大翻译能力或专门的翻译API进行高质量翻译。输出双语对照文本或者生成包含生词解释、语法点分析的学习材料。由于获取的是原始字幕文本其翻译质量通常优于直接使用YouTube的自动生成翻译尤其是在处理专业术语和俚语时。场景拓展的核心理念不要只把它看作一个“下载字幕”的工具而是视为一个“将视频内容转化为结构化文本数据”的通用服务。一旦数据是文本格式你就可以用所有处理文本的工具LLM、搜索引擎、分析脚本去加工它想象力空间就此打开。7. 常见问题、故障排查与优化技巧在实际使用中你可能会遇到各种问题。这里我汇总了常见的情况和解决方案以及一些提升稳定性和效率的技巧。7.1 常见错误与解决方案问题现象可能原因解决方案Claude提示“未能访问该链接”或直接忽略视频链接1. MCP服务器未启动或配置错误。2. Claude未正确加载MCP配置。1. 检查服务器进程是否运行 (ps aux | grep node或查看Docker容器状态)。2. 检查Claude配置文件路径和语法确保绝对路径正确。3.彻底重启Claude Desktop。服务器日志显示“No captions found”1. 该视频未开启字幕包括自动生成字幕。2. 视频可能被设为私享或不公开。3.youtubei.js库暂时无法解析该视频页面。1. 在YouTube网页上确认该视频是否有字幕CC图标。2. 尝试另一个有公开字幕的视频进行测试。3. 等待项目维护者更新youtubei.js依赖。获取字幕速度很慢1. 网络连接到YouTube速度慢。2. 视频字幕文件很大。3. 服务器所在环境性能不足。1. 考虑在网络更好的环境中部署服务器。2. 对于超长视频可以提示AI只总结前30分钟内容在对话中指定。3. 无解取决于YouTube的响应速度。返回的字幕乱码或格式错乱字幕原始编码问题或解析器对特定语言/字符支持不佳。1. 尝试指定不同的语言参数如lang‘en’。2. 如果项目开源可以检查相关解析代码的Issue页面。Docker容器启动后立即退出1. Dockerfile中启动命令错误。2. 端口冲突或环境变量问题。1. 使用docker logs container_id查看具体错误日志。2. 确保主机端口未被占用或修改映射端口。7.2 性能与稳定性优化使用持久化Docker容器对于长期使用建议使用Docker Compose或--restart unless-stopped策略运行容器确保服务器在主机重启后能自动运行。docker run -d --restart unless-stopped -p 3000:3000 --name yt-mcp youtube-caption-mcp考虑添加缓存层如果你频繁分析同一个视频重复请求会浪费资源和时间。一个高级的优化方案是在MCP服务器前加一层缓存比如Redis。修改服务器代码在获取字幕前先查询缓存没有命中再去请求YouTube并将结果存入缓存一段时间例如1小时。这能显著提升响应速度并降低对YouTube的请求压力。处理速率限制虽然非官方API但过于频繁的请求仍可能触发YouTube的临时限制。在脚本中批量处理视频时建议在请求间添加随机延迟例如1-3秒模拟人类操作行为。备用方案准备重要的工作流不要100%依赖于此单一服务。youtube-caption-mcp依赖于一个逆向工程库存在随时失效的风险。对于关键应用可以调研其他字幕提取方案如yt-dlp作为备用或者定期测试服务的可用性。7.3 隐私与使用伦理提醒数据用途提取的字幕应仅用于个人学习、研究或符合YouTube服务条款的合理使用。切勿用于大量盗版、洗稿或任何侵犯创作者权益的用途。隐私考虑如果你将MCP服务器部署在公共云上确保其不会泄露你的使用记录或缓存了敏感视频内容。Docker容器应配置适当的网络隔离。尊重平台此工具利用了YouTube的公共接口使用时请保持合理的请求频率避免给目标服务器造成不必要的负担。8. 项目二次开发与扩展方向如果你是一名开发者iamyosuke/youtube-caption-mcp提供了一个绝佳的起点。它的代码结构清晰基于标准的MCP SDK非常适合进行定制化扩展。8.1 代码结构导读典型的项目结构可能如下youtube-caption-mcp/ ├── index.js # 服务器主入口文件 ├── package.json # 项目依赖和元数据 ├── src/ │ ├── server.js # MCP服务器核心逻辑 │ ├── youtube/ # YouTube API相关封装 │ │ └── captions.js # 字幕获取和解析的核心函数 │ └── utils.js # 工具函数 └── Dockerfile # 容器化构建文件index.js通常负责加载配置、初始化并启动MCP服务器。src/server.js是核心在这里定义MCP的resources和tools并处理客户端的请求。src/youtube/captions.js是业务逻辑所在它使用youtubei.js库完成实际的抓取和解析工作。8.2 如何添加新功能例如获取视频元数据假设我们想扩展服务器让它不仅能获取字幕还能获取视频标题、描述、发布时间等元数据。定义新的Tool或Resource 在src/server.js中模仿现有的get_captions工具定义一个新的工具例如get_video_metadata。// 在定义tools的地方添加 const tools { get_captions: { ... }, // 原有的 get_video_metadata: { name: get_video_metadata, description: 获取YouTube视频的元数据如标题、描述、发布时间等。, inputSchema: { type: object, properties: { videoId: { type: string, description: YouTube视频ID } }, required: [videoId] } } };实现工具处理函数 在请求处理逻辑中为新的工具添加一个处理分支。async function handleToolCall(toolName, args) { if (toolName get_captions) { // ... 原有逻辑 } else if (toolName get_video_metadata) { const { videoId } args; // 调用 youtubei.js 库获取视频信息 const info await youtubeClient.getVideoInfo(videoId); return { content: [ { type: text, text: JSON.stringify({ title: info.videoDetails.title, description: info.videoDetails.shortDescription, publishDate: info.videoDetails.publishDate, lengthSeconds: info.videoDetails.lengthSeconds, viewCount: info.videoDetails.viewCount }, null, 2) } ] }; } }更新依赖和测试 确保youtubei.js库提供了获取元数据的方法通常getVideoInfo是存在的。然后重启服务器在Claude中测试新工具是否可用。8.3 贡献与社区这是一个开源项目你的使用和反馈就是对作者最大的支持。如果你发现了bug或者有好的功能建议可以到GitHub仓库提交Issue。如果你修复了问题或实现了新功能提交Pull Request是参与开源贡献的最佳方式。在提交前请确保阅读项目的贡献指南如果有的话。在你的分支上充分测试新功能。保持代码风格与现有项目一致。通过这样的扩展你可以将这个MCP服务器打造成一个功能更全面的“YouTube信息助手”满足更复杂场景的需求。
相关文章
基于Puppeteer与GPT的微信AI助手：从自动化到智能回复的完整实现
1. 项目概述：一个能帮你自动回复微信消息的AI助手 如果你也和我一样，每天被淹没在微信的群聊、私聊和各种公众号消息里，但又不想错过重要信息，或者希望有一个“智能分身”能帮你处理一些重复性的咨询，那么这个项目你一…
Virtual ZPL Printer完全指南：5分钟搭建免费虚拟条码打印机测试环境
Virtual ZPL Printer完全指南：5分钟搭建免费虚拟条码打印机测试环境 【免费下载链接】Virtual-ZPL-Printer An ethernet based virtual Zebra Label Printer that can be used to test applications that produce bar code labels. 项目地址: https://gitcode.com…
BepInEx终极教程：免费开源的Unity游戏插件框架完全指南
BepInEx终极教程：免费开源的Unity游戏插件框架完全指南 【免费下载链接】BepInEx Unity / XNA game patcher and plugin framework 项目地址: https://gitcode.com/GitHub_Trending/be/BepInEx BepInEx是一款功能强大的免费开源游戏插件框架，专门…
SAP屏幕导航：从SET到LEAVE，实战解析六大跳转策略
1. SAP屏幕导航的核心逻辑 在SAP ABAP开发中，屏幕导航就像是在迷宫中寻找出口。想象你手里有六把不同的钥匙（六种跳转策略），每把钥匙对应不同的门锁（业务场景）。选错钥匙要么打不开门，要么可能把…
SAP ABAP文件处理避坑指南：从FILE事务码到OPEN DATASET的完整配置流程
SAP ABAP服务器端文件处理实战：从逻辑路径配置到OPEN DATASET高阶应用 在SAP系统集成与数据交换场景中，文件处理能力直接影响着接口稳定性与运维效率。不同于常规编程语言的文件操作，ABAP环境下的服务器端文件处理涉及逻辑路径映射、平台适配…
iOS 深入解析离屏渲染：原理、触发条件与避坑实战
在 iOS 开发中，“离屏渲染”是一个高频出现但容易被忽略的性能痛点。很多开发者在实现圆角、阴影、渐变等视觉效果时，不经意间就触发了离屏渲染，导致界面卡顿、掉帧，尤其是在列表滚动、动画切换等场景下，性能损耗会被无…
华硕笔记本性能控制终极指南：告别臃肿，拥抱G-Helper轻量化革命
华硕笔记本性能控制终极指南：告别臃肿，拥抱G-Helper轻量化革命 【免费下载链接】g-helper Lightweight Armoury Crate alternative for Asus laptops with nearly the same functionality. Works with ROG Zephyrus, Flow, TUF, Strix, Scar, ProArt, Vi…
bilibili-api 评论系统架构深度解析：从异步请求到反爬虫策略的技术实现
bilibili-api 评论系统架构深度解析：从异步请求到反爬虫策略的技术实现 【免费下载链接】bilibili-api 哔哩哔哩常用API调用。支持视频、番剧、用户、频道、音频等功能。原仓库地址：https://github.com/MoyuScript/bilibili-api 项目地址: https://git…
构建自主可控安全自动化平台：从开源情报到自动化响应实践
1. 项目概述：从开源代码到安全实践的桥梁最近在梳理一些开源安全项目时，我注意到了mattijsmoens/openclaw-sovereign-shield这个仓库。单从名字看，“Sovereign Shield”（主权之盾）就透着一股强烈的防御和自主掌控的意味…
SD-PPP：在Photoshop中开启智能设计革命的终极AI插件
SD-PPP：在Photoshop中开启智能设计革命的终极AI插件 【免费下载链接】sd-ppp A Photoshop AI plugin 项目地址: https://gitcode.com/gh_mirrors/sd/sd-ppp 你是否厌倦了在Photoshop和AI工具之间频繁切换，打断了创意的流畅性？SD-PPP正…
NomNom存档编辑器：解放你的《无人深空》游戏体验终极指南
NomNom存档编辑器：解放你的《无人深空》游戏体验终极指南 【免费下载链接】NomNom NomNom is the most complete savegame editor for NMS but also shows additional information around the data youre about to change. You can also easily look up each item i…
5个专业策略：构建企业级本地漏洞情报分析平台
5个专业策略：构建企业级本地漏洞情报分析平台 【免费下载链接】cve-search cve-search - a tool to perform local searches for known vulnerabilities 项目地址: https://gitcode.com/gh_mirrors/cv/cve-search 在当今复杂的网络安全环境中，快速…
贾子理论与AI时代文明竞争：从暴力计算到本质贯通的范式重构
贾子理论与AI时代文明竞争：从暴力计算到本质贯通的范式重构摘要本文基于贾子理论的文明竞争视角，揭示中美AI战略差异的本质并非技术参数较量，而是“暴力计算”与“本质贯通”两种文明范式的根本对立。美国依赖算力堆叠与资本逻辑追求技术霸权…
2026年AI大模型API中转平台排名揭晓，诗云API(ShiyunApi)脱颖而出成省心之选
在AI开发领域，如何接入模型厂商的官方API是一个绕不开的现实问题。对于海外开发者来说，注册、绑卡、调用，三步即可轻松搞定。然而，国内开发者却面临着跨境网络波动、外币支付门槛、发票合规需求以及多厂商Key碎片化管理等诸多“非…
基于飞书与OpenAI构建企业级AI助手：架构、部署与深度优化指南
1. 项目概述：当飞书遇上AI，一个企业级智能助手的诞生 最近在折腾一个挺有意思的项目，叫“ConnectAI-E/feishu-openai”。简单来说，它就是一个桥梁，把飞书这个强大的企业协作平台，和以ChatGPT为代表的OpenA…
MPC-BE：基于DirectShow架构的专业级开源媒体播放解决方案
MPC-BE：基于DirectShow架构的专业级开源媒体播放解决方案 【免费下载链接】MPC-BE MPC-BE – универсальный проигрыватель аудио и видеофайлов для операционной системы Windows. 项目地址:…
如何快速计算3D模型体积和重量：STL-Volume-Model-Calculator终极指南
如何快速计算3D模型体积和重量：STL-Volume-Model-Calculator终极指南 【免费下载链接】STL-Volume-Model-Calculator STL Volume Model Calculator Python 项目地址: https://gitcode.com/gh_mirrors/st/STL-Volume-Model-Calculator 你是否曾经为3D打印项目…
通过Taotoken CLI工具一键配置团队开发环境与模型密钥
通过Taotoken CLI工具一键配置团队开发环境与模型密钥 1. CLI工具安装与基本使用 Taotoken提供的CLI工具可通过npm全局安装或直接使用npx运行。对于需要频繁使用CLI的团队，推荐全局安装： npm install -g taotoken/taotoken对于临时使用或项目级配置&a…