mcp-youtube
mcp-youtube 是一款基于模型上下文协议（MCP）构建的开源服务，旨在让 AI 助手直接“读懂”YouTube 视频内容。它通过调用本地安装的 yt-dlp 工具，自动提取指定视频的字幕文本，并将其无缝接入到如 Claude.ai 等支持 MCP 的大模型环境中。
这一工具主要解决了用户无法直接向 AI 提供长视频内容进行深度分析或总结的痛点。过去，用户往往需要手动复制字幕或依赖不精准的自动转录，而 mcp-youtube 实现了从视频链接到文本上下文的自动化流转。现在，用户只需向 AI 发送“总结这个视频链接”的指令，即可快速获取精准的视频摘要、关键点提取或内容问答，极大提升了信息获取效率。
该工具特别适合开发者、研究人员以及希望利用 AI 高效处理视频信息的普通用户。对于开发者而言，其独特的技术亮点在于采用了标准化的 Model Context Protocol，使得视频数据能以统一格式被不同 AI 应用调用，同时完全依赖本地运行的 yt-dlp，既保证了数据处理的灵活性，又避免了将视频内容上传至第三方服务器的隐私风险。只需简单配置，即可让本地 AI 工作流具备强大的视频理解能力。
使用场景
一位数据分析师需要快速从多个英文技术讲座视频中提取核心观点，以撰写行业趋势报告。
没有 mcp-youtube 时
- 必须手动打开每个 YouTube 视频，等待加载并寻找字幕选项，若视频无官方字幕则直接无法处理。
- 即使有字幕，也需反复复制粘贴大段文本到本地文件，耗时且容易遗漏关键时间戳信息。
- 面对长达一小时的视频，人工阅读字幕效率极低，难以在短时间内梳理出逻辑清晰的知识脉络。
- 若想结合 AI 总结，需先将字幕整理成文档再上传至对话窗口，操作流程繁琐且中断思路。
- 遇到外语视频时，还需额外借助翻译工具进行二次处理，进一步拉长了信息获取的周期。
使用 mcp-youtube 后
- 只需在 Claude 对话框中发送视频链接，mcp-youtube 自动调用 yt-dlp 后台提取字幕，无需人工干预。
- 系统直接基于提取的字幕内容生成摘要，自动保留关键论点与对应的时间节点，信息结构化程度高。
- 无论视频时长如何，均能在数秒内完成内容解析，让分析师能专注于观点整合而非资料收集。
- 实现“链接即分析”的无缝体验，直接在对话流中完成从视频源到知识结论的闭环，思路不被打断。
- 支持多语言字幕自动处理，配合大模型能力直接输出中文总结，省去了中间翻译环节。
mcp-youtube 将原本碎片化、高成本的视频信息获取过程，转化为即时、自动化的知识输入流。
运行环境要求
- macOS
- Windows
未说明
未说明
快速开始
YouTube MCP 服务器
使用 yt-dlp 从 YouTube 下载字幕，并通过 Model Context Protocol 将其连接到 claude.ai。你可以通过向 Claude 提问“请总结 YouTube 视频 <yt-dlp，例如通过 Homebrew。
如何让它正常工作？
- 安装
yt-dlp（Homebrew 和 WinGet 都可以很好地完成这项任务） - 然后，通过 mcp-installer 安装本项目，使用名称
@anaisbetts/mcp-youtube
版本历史
v0.6.02025/03/20常见问题
相似工具推荐
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。
PaddleOCR
PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。 面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。
OpenHands
OpenHands 是一个专注于 AI 驱动开发的开源平台，旨在让智能体（Agent）像人类开发者一样理解、编写和调试代码。它解决了传统编程中重复性劳动多、环境配置复杂以及人机协作效率低等痛点，通过自动化流程显著提升开发速度。 无论是希望提升编码效率的软件工程师、探索智能体技术的研究人员，还是需要快速原型验证的技术团队，都能从中受益。OpenHands 提供了灵活多样的使用方式：既可以通过命令行（CLI）或本地图形界面在个人电脑上轻松上手，体验类似 Devin 的流畅交互；也能利用其强大的 Python SDK 自定义智能体逻辑，甚至在云端大规模部署上千个智能体并行工作。 其核心技术亮点在于模块化的软件智能体 SDK，这不仅构成了平台的引擎，还支持高度可组合的开发模式。此外，OpenHands 在 SWE-bench 基准测试中取得了 77.6% 的优异成绩，证明了其解决真实世界软件工程问题的能力。平台还具备完善的企业级功能，支持与 Slack、Jira 等工具集成，并提供细粒度的权限管理，适合从个人开发者到大型企业的各类用户场景。