Skip to main content
Glama
deenesjakoruzh
Talhaz

yt-intel MCP Server

by Talhaz
OverviewSchemaSourceRelated ServersDiscussionsAdmin
Python
Hybrid

yt-intel MCP Server — The Markup (Automation 04)

一个MCP服务器，将../yt（yt-intel）的频道数据暴露为诊断工具——适用于任何MCP客户端（Claude Desktop、Claude Code、Cursor、Codex，或任何其他支持MCP的工具），不绑定于某个特定产品。与../yt、../storyboard和../scriptwriter为同级项目。

用途

直接从编辑器或聊天客户端回答“这个频道实际表现如何，以及下一步该做什么”，无需打开yt-intel网页界面。九个工具，围绕制作人实际按顺序提出的诊断问题组织，而不是每个数据库表一个工具：

频道健康

  • channel_overview — 订阅者/观看增长趋势、短视频与长视频比例、上传节奏

  • list_videos — 可筛选/可排序的基础列表

性能诊断

  • diagnose_video — “为什么这个视频会有这样的表现”工具：统计、分析、地理、流量来源、算法对齐、势头和钩子

  • find_underperformers / find_winners — 排名列表，根据内部主题选择清单第8节的逻辑，标注了类型1（执行/钩子不佳）与类型2（主题天花板）的诊断

  • search_tag_gaps — 驱动观看但无匹配标签的搜索词

内容搜索 — Postgres全文搜索（yt-intel模式中已有的GIN索引——ix_transcripts_fts、ix_videos_title_fts——已构建但未使用；这正是最终使用它们的地方），而非简单的LIKE扫描：

  • search_transcripts — 排序，返回高亮片段，而不仅仅是ID

  • search_videos — 相同，但针对标题+描述

主题/脚本审查 — 直接复用scriptwriter已构建、已测试的逻辑（本地路径依赖，而非复制）：

  • check_topic — 在确定主题之前进行的最佳国家/最佳来源数据检查

  • qa_script — 完整的机械QA检查清单（字数/节奏、括号验证、重复事实检测、时间戳计算）

Related MCP server: YouTube MCP Server

为什么用Postgres全文搜索，而不是Elasticsearch

在约67个视频和几百KB的转录文本规模下，这远低于Elasticsearch分布式架构值得其运维成本（在与其他三个应用共享的2-4GB VPS上部署并保持同步的第二个服务）的规模。所有比较过的来源都认为Postgres全文搜索无需额外基础设施即可处理绝大多数用例，而且所需的GIN索引已存在于yt-intel的模式中，未被使用。如果关键词搜索在实践中证明不足，pgvector（基于语义/含义的搜索）是自然的v2方案——而不是Elasticsearch，在这个规模下。

快速开始

check_topic/qa_script需要../scriptwriter作为同级目录存在并首先安装——它不在本项目自身的依赖列表中（file://路径依赖被证明是脆弱的：绝对路径只能在一台机器上解析，而pip对相对路径的处理不够一致，足以破坏真实的Docker构建——参见pyproject.toml自身的注释和Dockerfile的注释）。

python -m venv .venv
./.venv/Scripts/python.exe -m pip install -e ../scriptwriter   # first
./.venv/Scripts/python.exe -m pip install -e ".[dev]"          # Windows

cp .env.example .env      # YTINTEL_DATABASE_URL, OWN_CHANNEL_ID

通过stdio本地运行（用于Claude Desktop / Cursor / Codex配置）：

python -m ytintel_mcp.server

通过HTTP运行（用于远程/VPS部署）：

YTINTEL_MCP_TRANSPORT=http python -m ytintel_mcp.server

连接本地MCP客户端（Claude Desktop / Cursor / Codex）

每个客户端通过stdio将此服务器作为子进程启动——将其指向本项目的venv Python和模块：

{
  "mcpServers": {
    "ytintel": {
      "command": "D:/Axion/ytintel-mcp/.venv/Scripts/python.exe",
      "args": ["-m", "ytintel_mcp.server"],
      "env": {
        "YTINTEL_DATABASE_URL": "postgresql+psycopg://yt:yt@localhost:5432/yt_intel",
        "OWN_CHANNEL_ID": "UCODE52XZvkuimEZfGD10Bcw"
      }
    }
  }
}

Claude Desktop：claude_desktop_config.json（设置 → 开发者 → 编辑配置）。Cursor：设置 → MCP → 添加新的MCP服务器（相同的JSON结构）。Codex：其自己的MCP服务器配置，相同的command/args/env字段。

部署到VPS——与scriptwriter一起

本项目对../scriptwriter有本地路径依赖（用于check_topic/qa_script，它们直接导入scriptwriter的domain/模块，而不是复制副本——参见pyproject.toml）。这意味着Docker镜像只能在两个项目并排存在的地方构建，并且两者必须一起部署，不能独立部署。具体来说，在VPS上：

# 1. Clone (or already have) BOTH projects as siblings under the same parent,
#    e.g. ~/Axion/scriptwriter and ~/Axion/ytintel-mcp — mirroring this dev
#    machine's D:\Axion layout. The path dependency in ytintel-mcp's
#    pyproject.toml is an ABSOLUTE dev-machine path
#    (file:///D:/Axion/scriptwriter) that only matters locally — the
#    Dockerfile does NOT use it; it installs scriptwriter from the shared
#    build context instead (see Dockerfile's own header comment), so the
#    exact clone path on the VPS doesn't need to match this dev machine's.
cd ~/Axion
git clone <scriptwriter repo> scriptwriter
git clone <ytintel-mcp repo> ytintel-mcp

# 2. scriptwriter's own .env (needed for its own deploy — OPENAI_API_KEY /
#    MISTRAL_API_KEY, YTINTEL_DB_PASSWORD, YTINTEL_NETWORK_NAME — see
#    ../scriptwriter/README.md's own Deployment section) and ytintel-mcp's
#    .env (same YTINTEL_DB_*/YTINTEL_NETWORK_NAME vars, plus OWN_CHANNEL_ID)
cp scriptwriter/.env.example scriptwriter/.env && nano scriptwriter/.env
cp ytintel-mcp/.env.example ytintel-mcp/.env && nano ytintel-mcp/.env
chmod 600 scriptwriter/.env ytintel-mcp/.env

# 3. Confirm yt-intel's actual Docker network name BEFORE either deploy —
#    both .env files' YTINTEL_NETWORK_NAME must match this exactly:
docker network ls | grep default

# 4. Deploy scriptwriter first (no cross-project build dependency, so order
#    doesn't strictly matter, but this mirrors provisioning it before the
#    tool that references its code)
cd ~/Axion/scriptwriter
docker compose -f docker-compose.prod.yml up -d --build

# 5. Deploy ytintel-mcp — note the build context is the AXION ROOT, not this
#    directory (the Dockerfile COPYs ../scriptwriter into the image):
cd ~/Axion
docker compose -f ytintel-mcp/docker-compose.prod.yml up -d --build

端口8003（yt-intel=8000，storyboard=8001，scriptwriter=8002，本服务=8003），与其他服务一样绑定到127.0.0.1——如果远程MCP客户端需要通过网络访问它，则将其添加到同一个Caddy反向代理中（远程部署提供的是streamable-http，而不是stdio——参见config.py中的YTINTEL_MCP_TRANSPORT）。

scriptwriter代码更改后重新部署：由于镜像在构建时嵌入了scriptwriter代码的副本（而非实时挂载），每当scriptwriter端的domain/topic_scoring.py或domain/script_qa.py发生变化时，必须重建ytintel-mcp镜像（docker compose -f ytintel-mcp/docker-compose.prod.yml up -d --build）——仅对scriptwriter执行git pull不会更新已构建的ytintel-mcp容器。

测试

./.venv/Scripts/python.exe -m pytest -q
./.venv/Scripts/python.exe -m ruff check .
./.venv/Scripts/python.exe -m mypy src

This server cannot be deployed

One endpoint for every MCP toolRayrun runs every MCP server behind one URL and holds the credentials. Each call is decided per client, tool, and argument, then recorded.ray.runAd

Maintenance

ActivityMaintained
ResponsivenessSyncing

Resources

Related MCP Connectors

Related MCP Servers