Como dar ao seu agente de IA a capacidade de assistir ao YouTube

O problema que resolve

Quando o usuário cola um link do YouTube em um assistente, ele recusa, inventa algo a partir do título ou falha em vídeos longos. Equipes que criam agentes para pesquisa, vendas ou suporte precisam de um jeito confiável de transformar qualquer vídeo em texto sobre o qual o modelo possa raciocinar, sem manter scrapers que quebram toda vez que o YouTube muda.

O que incluir na primeira versão

• ■Uma ferramenta que o modelo chama com qualquer URL ou ID de vídeo do YouTube
• ■Texto limpo da transcrição mais segmentos com timestamps para citações
• ■Escolha de idioma e tradução para vídeos que não estão em inglês
• ■Divisão em blocos de vídeos longos para caber no contexto do modelo
• ■Cache para que o mesmo vídeo não seja buscado duas vezes

Como criar, passo a passo

1. 01

   Escolha sua integração

   Se o seu assistente suporta o Model Context Protocol, conecte o servidor MCP e as ferramentas aparecem automaticamente. Caso contrário, defina uma function tool que chame /transcribe.

2. 02

   Defina o contrato da ferramenta

   Aceite uma URL de vídeo e um idioma opcional. Retorne o texto da transcrição e uma lista de segmentos com tempos de início.

3. 03

   Trate vídeos longos

   Para vídeos maiores que sua janela de contexto, divida os segmentos em blocos e resuma cada um antes de responder, ou recupere só os blocos relevantes para a pergunta.

4. 04

   Cite a fonte

   Instrua o modelo a citar os timestamps dos segmentos para que o usuário possa verificar cada afirmação.

Código inicial

Esta ideia segue o padrão "Receita 1: entra um vídeo, sai um resultado estruturado". Use seus próprios canais, prompts e armazenamento.

import requests

API = "https://www.youtubetranscript.dev/api/v2"
HEADERS = {"Authorization": "Bearer yt_sk_live_YOUR_KEY"}

res = requests.post(f"{API}/transcribe", headers=HEADERS, json={
    "video": "https://www.youtube.com/watch?v=VIDEO_ID",
    "format": {"timestamp": True, "paragraphs": True},
}).json()

transcript = res["data"]["transcript"]
print(transcript["text"][:500])        # plain text for your LLM prompt
for seg in transcript["segments"][:3]:  # timestamps for deep links
    print(seg["start"], seg["text"])

Por que vale a pena criar

Normalmente isso é um recurso, não um produto: torna seu assistente, bot ou copiloto atual bem mais útil. Como produto independente, um bot de Slack ou Discord que responde perguntas sobre vídeos compartilhados pode cobrar por workspace.

Erros a evitar

• ✕Enfiar uma transcrição de três horas em um único prompt: recupere ou resuma em blocos.
• ✕Descartar os timestamps, o que torna impossível verificar as respostas.
• ✕Buscar repetidamente o mesmo vídeo popular em vez de fazer cache das transcrições.

Dúvidas sobre esta ideia