Как научить AI-агента смотреть YouTube

Какую проблему решает

Когда пользователь вставляет ссылку на YouTube в ассистента, тот либо отказывается, либо фантазирует по названию, либо ломается на длинных видео. Командам, которые делают агентов для исследований, продаж или поддержки, нужен надёжный способ превратить любое видео в текст, с которым модель может работать, без поддержки парсеров, ломающихся при каждом изменении YouTube.

Что включить в первую версию

• ■Инструмент, который модель может вызвать с любым URL или ID видео YouTube
• ■Чистый текст расшифровки и сегменты с таймкодами для цитирования
• ■Выбор языка и перевод для видео не на английском
• ■Разбиение длинных видео на части, чтобы они помещались в контекст модели
• ■Кэширование, чтобы одно и то же видео не загружалось дважды

Как создать: пошагово

1. 01

   Выберите способ интеграции

   Если ваш ассистент поддерживает Model Context Protocol, подключите MCP-сервер — инструменты появятся автоматически. Иначе опишите функцию-инструмент, которая вызывает /transcribe.

2. 02

   Определите контракт инструмента

   Принимайте URL видео и необязательный язык. Возвращайте текст расшифровки и список сегментов с временем начала.

3. 03

   Обработайте длинные видео

   Если видео длиннее контекстного окна, разбейте сегменты на части и сделайте пересказ каждой перед ответом или извлекайте только части, относящиеся к вопросу.

4. 04

   Ссылайтесь на источник

   Попросите модель указывать таймкоды из сегментов, чтобы пользователи могли проверить каждое утверждение.

Стартовый код

Эта идея построена на шаблоне «Рецепт 1: на входе одно видео, на выходе структурированный результат». Подставьте свои каналы, промпты и хранилище.

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"])

Почему это стоит создать

Обычно это функция, а не продукт: она делает ваш существующий ассистент, бот или копилот заметно полезнее. Как самостоятельный продукт бот для Slack или Discord, отвечающий на вопросы о присланных видео, может брать плату за каждое рабочее пространство.

Каких ошибок избегать

• ✕Запихивать трёхчасовую расшифровку в один промпт: вместо этого извлекайте нужное или пересказывайте по частям.
• ✕Отбрасывать таймкоды — тогда ответы невозможно проверить.
• ✕Раз за разом загружать одно и то же популярное видео вместо кэширования расшифровок.

Вопросы об этой идее