Skip to main content
Glama

yt-mem-ai — AIアシスタントのためのローカルYouTubeメモリ

Claude、Codex、Cursor、または任意のMCPホストに、あなたの代わりにYouTubeを視聴する能力を提供します。動画の文字起こし、記憶、購読のフォロー、そしてそれらすべてを要約、タイムスタンプ付きハイライト、Q&A、ダイジェスト、ビデオリールに変換します。すべてはあなたのマシン上で動作します。クラウドサービスもAPIキーも不要です。

Installing the yt skills for Codex in one command

例 — "このビデオからプレゼンテーションを作成" (Andrej Karpathy: From Vibe Coding to Agentic Engineering, Sequoia, 30分) → 13スライド、PDF、 すべての引用がトランスクリプトからタイムスタンプ付き。取り込みからデッキまで1リクエストで完了。

目次

Related MCP server: YouTube MCP Server

機能

  • 🎧 あらゆる動画を文字起こし — YouTubeのキャプションがある場合はそれを使用(高速、任意の言語)、ない場合はオフラインのWhisperを使用。

  • 🧠 視聴した内容を記憶 — すべてのトランスクリプトはローカルに保存・インデックス化されるため、ライブラリは永遠に検索可能。あなたのマシンから何も出て行きません。

  • 🔎 瞬間を見つける — 「あの動画でXについて何と言っていた?」と尋ねると、ジャンプできるタイムスタンプ付きの回答が得られます。

  • 📡 購読をフォロー — 新しいアップロードを取得し、1日のダイジェストにまとめます。

  • ✍️ アシスタントが執筆 — 要約、ハイライト、Q&A、スライドデッキ、すべて動画の言語で、あなたがすでに支払っているモデルを使用。

  • ❤️ あなたの好みを学習 — 動画に「いいね」または「よくないね」を付けると、自分のライブラリからおすすめを取得。

  • 🎬 メディアも作成 — クリック可能なハイライトドキュメント、静止画、レンダリングされたスーパーカットリール。

  • 🔌 あなたのツールと連携 — Claude Code、Claude Desktop、Codex、Cursor、Antigravity、OpenClaw、Hermes: スキルまたはMCP、お好みで。

インストール方法

1. アシスタントを接続 ⭐

curl -LsSf https://raw.githubusercontent.com/dasein108/yt-mem-ai/main/install.sh | sh

対話型ウィザードが開きます。必要なものを選択し、アプリにチェックを入れてEnterを押します:

step 1/2 — what (pick one)     step 2/2 — where (tick any)
> Plugin  skills + CLI         [x] Claude Code    [ ] Claude Desktop
  MCP     typed tools          [x] Codex          [ ] Cursor
                               [ ] Antigravity    [ ] OpenClaw   [ ] Hermes

プラグインは、プレーンなリクエスト("この動画を要約")に対してアシスタントが動作するように教えます。MCPは代わりにツールのセットを提供します。迷ったらプラグインから始めてください。もう一方のためにウィザードを再度実行できます。

必要なものをすべてインストールし、すでにあるものにはチェックを付け、チェックを外したものは削除します(計画を表示して先に確認します)。その後、アプリを再起動して試してください: summarize 'https://youtu.be/…'。

すでに必要なものがわかっている場合は、質問をスキップ:

curl -LsSf https://raw.githubusercontent.com/dasein108/yt-mem-ai/main/install.sh \
  | sh -s -- --plugin --claude-code --codex
curl -LsSf https://raw.githubusercontent.com/dasein108/yt-mem-ai/main/install.sh \
  | sh -s -- --mcp --claude-desktop --cursor

ホスト: --claude-code --claude-desktop --codex --cursor --antigravity --openclaw --hermes、または --all。完全なフラグリストとアンインストールの注意: integrations/README.md。エージェントに任せたいですか? integrations/PROMPT.md を任意のアシスタントに貼り付けてください。

2. 手動でのMCP — 設定エントリ1つ、自己インストール

事前インストールは不要: uvx がホストがサーバーを起動する最初の回にパッケージを取得し、その後はキャッシュされます。これをホストのMCP設定に追加してください:

{
  "mcpServers": {
    "yt-mem-ai": {
      "command": "uvx",
      "args": ["--from", "yt-mem-ai[mcp]", "yt-ai-mcp"]
    }
  }
}

これで設定完了です — パスも env ブロックも不要。設定は ~/.yt-mem-ai/config.env にあり、エージェントは config_set ツール(またはあなたが yt-ai config set)で自分で書き込むことができます。

ホスト

そのJSONの場所

Claude Desktop

macOS ~/Library/Application Support/Claude/claude_desktop_config.json · Windows %APPDATA%\Claude\claude_desktop_config.json — アプリを再起動

Claude Code

claude mcp add -s user yt-mem-ai -- uvx --from 'yt-mem-ai[mcp]' yt-ai-mcp

Cursor

~/.cursor/mcp.json (Cursorを再読み込み)

Antigravity

~/.gemini/config/mcp_config.json (再起動)

Codex

~/.codex/config.toml — TOML、下記参照 (または codex mcp add yt-mem-ai -- uvx --from 'yt-mem-ai[mcp]' yt-ai-mcp)

OpenClaw

openclaw mcp add yt-mem-ai --command uvx --arg --from --arg 'yt-mem-ai[mcp]' --arg yt-ai-mcp (または ~/.openclaw/openclaw.json → mcp.servers)

Hermes

~/.hermes/config.yaml の mcp_servers: の下 — YAML、下記参照

# ~/.codex/config.toml
[mcp_servers.yt-mem-ai]
command = "uvx"
args = ["--from", "yt-mem-ai[mcp]", "yt-ai-mcp"]
# ~/.hermes/config.yaml
mcp_servers:
  yt-mem-ai:
    command: "uvx"
    args: ["--from", "yt-mem-ai[mcp]", "yt-ai-mcp"]
    enabled: true

アプリを再起動するとツールが表示されます — 機能については 使用方法 を参照してください。

何も表示されない、またはホストがタイムアウトしましたか? 初回起動は依存関係のダウンロードがあり、ホストの起動チェックを超えることがあります。 uvx --from 'yt-mem-ai[mcp]' yt-ai-mcp --help を一度実行してから、アプリを再度開いてください。それでもホストが起動できない場合は、絶対パスを指定してください — uv tool install 'yt-mem-ai[mcp]' を実行し、which yt-ai-mcp を command として使用し、"args": [] を指定します (GUIアプリは ~/.local/bin を PATH に含まないことがよくあります)。

3. Claude Desktop — スキル (アプリ内)

DesktopはプラグインをディスクではなくClaude アカウントに保存するため、誰もあなたのためにインストールできません。アプリ内で1分かかります:

カスタマイズ (左サイドバー) → プラグイン → 個人用プラグイン → + → マーケットプレイスを追加 → リポジトリから追加 → https://github.com/dasein108/yt-mem-ai → 追加 → インストール yt-mem-ai

その後、summarize 'https://youtu.be/…' と尋ねてください。アンインストールも同様です。同じプラグインは claude.ai と Cowork でも動作します。スキルよりもツールがお好みですか? 上記のMCP設定はDesktopでも機能します — そしてそれはスクリプト化できます。

各ホストはユーザースコープのディレクトリから SKILL.md ファイルを読み込みます: Codex ~/.codex/skills/ (CLIとIDEで共有、v0.117.0+)、Cursor ~/.cursor/skills/、 Antigravity ~/.gemini/skills/、OpenClaw ~/.agents/skills/、Hermes ~/.hermes/skills/ (そこでは /yt と /yt-agent になります)。

# from a checkout
cp -R skills/yt skills/yt-agent ~/.codex/skills/

# without a checkout
for s in yt yt-agent; do
  mkdir -p ~/.codex/skills/$s
  curl -LsSf "https://raw.githubusercontent.com/dasein108/yt-mem-ai/main/skills/$s/SKILL.md" \
    -o ~/.codex/skills/$s/SKILL.md
done

Codexの追加: /yt-* プロンプト (integrations/codex/prompts/*.md → ~/.codex/prompts/) と integrations/codex/AGENTS.md → ~/.codex/AGENTS.md。 完全なガイド: skills/README.md。

4. 単体でのCLI

スキルがそれを駆動しますが、単体でも十分に優れたツールです:

uvx yt-mem-ai --help          # zero-install run
uv tool install yt-mem-ai     # or install the persistent `yt-ai` command

Python 3.11+ と uv が必要です。ffmpeg は supercut / frame にのみ必要です。

デスクトップUIは別のリポジトリにあります: yt-mem-ai-desktop — これは このパッケージに依存し、独自のローカルREST APIを実行します。

はじめに

インストールしてホストを再起動しましたか? 準備完了です。アシスタントに話しかけるだけです — スキル(またはMCPプロンプト + analyze_video)が取り込みを行います:

"Summarize https://youtu.be/dQw4w9WgXcQ" → 動画を取り込み(キャプション → whisper)、その後、動画の言語でエグゼクティブサマリーと主要ポイントを書きます。

"Give me the highlights of that video with timestamps" → セマンティック検索に基づく3〜8のディープリンク付きモーメント (watch?v=…&t=123s)。

"What did I watch about retrieval-augmented generation?" → ライブラリ内のすべてのトランスクリプトを検索し、モーメントを引用します。

"Process my subscriptions into today's digest" → 新しいアップロードを発見し、取り込み、digests/<DATE>.md に書きます。

ターミナルがお好みですか? 同じ初回実行:

yt-ai fetch 'https://www.youtube.com/watch?v=VIDEO_ID'   # ingest one video
yt-ai search "what was said about embeddings"            # search your library
yt-ai status                                             # what's in the store

すべては ~/.yt-mem-ai/ に保存されます (ライブラリ、ログ、ダウンロード)。

初回実行は遅いです — それは想定内です。 インストールはMLスタック (torch、LanceDB、sentence-transformers ≈ 1 GB ディスク上) を取得し、最初の fetch または search はさらに埋め込みモデルをダウンロードします。動画に キャプションがない場合、Whisperモデル (small、≈ 460 MB) もダウンロードされます — キャプションパスでは不要です。すべてキャッシュされるため、動画ごとではなく一度だけ発生します。GUIホストでは、同じ理由で最初のMCP起動がアプリの起動チェックを超えることがあります: ターミナルで uvx --from 'yt-mem-ai[mcp]' yt-ai-mcp --help を一度実行してキャッシュをウォームアップし、アプリを再度開いてください。

毎日のルーチン

yt-ai discover               # what's new in your subscriptions
yt-ai fetch-pending          # transcribe today's batch

その後、アシスタントで: "process subscriptions" → 動画ごとの要約と digests/<DATE>.md、そしてオプションで yt-ai compile --out compilations/$(date +%F).md を実行して、その日のハイライトをクリック可能なリンクとして取得します。

使用方法

アシスタントとの会話 (スキルとプロンプト)

プラグインには2つのスキルが付属しています。MCPホストは同じプレイブックをプロンプトとして取得します (yt_summarize、yt_highlights、yt_qa、yt_presentation、yt_digest、 yt_review、yt_group)、スキルサポートがなくても失われるものはありません。

スキル

使用目的

yt

エントリポイント — 任意の操作と完全なパイプライン (毎日のルーチン、単一動画); 分析を yt-agent に委ねます

yt-agent

シナリオ — 1動画 → 要約 / ハイライト / Q&A / プレゼンテーション; 購読 → 毎日のダイジェスト; 動画横断レビュー; 動画グループ

あなたが言うこと

何が起こるか

保存先

"summarize <url>"

取り込み → エグゼクティブサマリー + 主要ポイント

チャット、ストア内の save_summary

"highlights for <url>"

3〜8のタイムスタンプ付き、ディープリンクされたモーメント

チャット + ストア

"Q&A about <url>"

3〜6の根拠のある質問/回答ペア

チャット + ストア

"make a presentation from <url>"

--- で区切られたスライドデッキ

slides/<id>.md

"process subscriptions"

発見 → 取り込み → 動画ごとの分析

digests/<DATE>.md

"review what I watched this week"

動画横断テーマのエッセイ

reviews/<DATE>.md

"analyze these videos: <ids/urls/channel>"

セットを取り込み → 動画ごと + 総合

groups/<label>.md

スキルはデータベースに直接触れません — CLIを呼び出すため、同じワークフローが任意のホストで実行されます。手動でインストールまたは貼り付け: skills/README.md。

MCPツール

yt-ai-mcp サーバーはエンジン全体を型付きツールとして公開します。analyze_video はワンステップのエントリポイントです: 取り込みを行い、トランスクリプトを返すため、モデルが自分で要約を書くことができます。

カテゴリ

ツール

説明

分析

analyze_video

動画を取り込み、文字起こし(+タイトル、チャンネル、言語、既存の要約)を返します。要約・ハイライト・Q&Aのリクエストでは最初にこれを呼び出します。

取り込み

fetch

1本の動画をダウンロード+文字起こし+埋め込みします(force、captions_only、prefer_whisper)。

discover

登録フィードからの新着アップロード(増分取得。after、deep、min_duration)。

fetch_pending

指定日以降に検出されたすべての動画を一括取り込みします。

channel_list

チャンネルの最近のアップロードを列挙します(取り込みは行いません)。

ライブラリ

search

すべてのチャンクに対するハイブリッド/ベクトル/全文検索。タイムスタンプ付き。

show

1本の動画のメタデータ+全文文字起こし。

list_videos

保存済み動画をステータス/日付/チャンネルで一覧表示します。

status

ライフサイクルステータスごとの件数。

要約

save_summary

要約+ハイライト+Q&Aを永続化し、compileとsupercutが利用できるようにします。

嗜好

like / dislike

1本の動画に対するフィードバックを記録します。

recommend

未評価の動画を、高評価した動画との類似度でランク付けします。

メディア

compile

分単位で予算制約のある、ディープリンク付きハイライトドキュメント。

supercut

ハイライト選択を1本のラベル付きmp4にレンダリングします(ffmpeg+ネットワークが必要)。

frame

指定タイムスタンプの静止フレームを取得します。

設定

config_list / config_get

設定、値、および各値の由来を確認します(シークレットはマスクされます)。

config_set / config_unset

チャットから設定を変更します — プロキシ認証情報、クッキーブラウザ、埋め込みモデルなど。

メンテナンス

reembed

埋め込みモデル変更後にライブラリ全体を再埋め込みします。

サーバー詳細、プロンプト一覧、生の設定: integrations/mcp/README.md。

CLIコマンド

yt-ai fetch <url>            # download + transcribe + embed + store one video
yt-ai fetch <url> --captions-only  # captions only: no audio download / no whisper (fails if none)
yt-ai transcript <url>       # same pipeline
yt-ai discover               # new subscription uploads (--after/--deep/--min-duration/--json); incremental by default
yt-ai fetch-pending          # batch-fetch pending 'discovered' videos (since --since, default today; --limit)
yt-ai list                   # list stored videos (--status/--since/--json)
yt-ai show <video_id>        # metadata + transcript (--json)
yt-ai status                 # counts by status
yt-ai search "<query>"       # semantic search (--hybrid/--fts/--vector, -k N)
yt-ai save-summary <id> "<summary>" --highlights '<json>' --qa '<json>'  # persist a summary (used by skills)
yt-ai like <video_id>        # mark liked (feeds recommendations)
yt-ai dislike <video_id>     # mark disliked
yt-ai recommend              # rank your unrated fetched videos by taste (--limit/--json)
yt-ai compile                # deep-linked highlights doc, budget-bounded (--since/--max-minutes/--json/--out)
yt-ai supercut               # video reel of highlights, re-downloaded + labeled (--since/--max-minutes/--out/--keep-clips)
yt-ai frame <video_id> --at <ts>  # still frame at a timestamp (seconds or H:M:S) → frames/<id>_<s>s.png
yt-ai reembed                # re-embed all chunks with the current YT_EMBEDDING_* config
yt-ai channel-list <url>     # list a channel's recent uploads (--limit/--from/--to/--json); enumerate only
yt-ai config list            # get/set any .env setting: config get/set/unset/path (reconfigure from CLI or chat)

使用例

ケース: 10部構成のYouTubeコースから作った完全なPDF教科書。 examples/defi-crypto-options.pdf — シリーズ «DeFi. Бесплатный вводный курс по крипто-опционам»(@Menaskop)から構築した96ページのロシア語教育書。

パイプライン: シリーズの10本の動画を特定 → ru-origキャプションを取得(yt-dlp+ ブラウザクッキー。Whisper不要)→ 動画ごとの構造化ダイジェスト → 共通の スパイン(用語集、表記法、図のカタログ)→ 書き直した10章(約28,500語)

  • 47点のベクター図を書き直し → Typstで組み立て・レンダリング。 要約ではなく、実例、図、用語集、各章から各動画へのディープリンクを備えた第一原理からの章。

設定

開始に必要なものはありません — デフォルトではストア、ログ、ダウンロードを ~/.yt-mem-ai/の下に置き、ローカルの埋め込みモデルを使用します。必要なときに調整してください:

設定

機能

YT_STORE_PATH

LanceDBディレクトリ

YT_EMBEDDING_BACKEND

local(sentence-transformers)またはopenai

YT_EMBEDDING_MODEL

例: 非英語ライブラリ用のparaphrase-multilingual-MiniLM-L12-v2

OPENAI_API_KEY

openai埋め込みバックエンドでのみ必要

YT_COOKIES_BROWSER

chrome/firefox/… — YouTubeの「ボットではありません」確認を回避

YT_CAPTION_LANGS

優先キャプション言語(デフォルトen、任意のトラックにフォールバック)

WEBSHARE_PROXY_*、YT_USE_WEBSHARE

オプションのローテーションプロキシ

YT_CHUNK_TARGET_S

埋め込み用のチャンク長

CLIまたはエージェントから設定する — .envを手で編集する代わりに、 yt-ai config(またはMCPのconfig_*ツール。エージェントがチャットから自分で再設定できる)を使用:

yt-ai config list                  # every setting, value, and source
yt-ai config set WEBSHARE_PROXY_USERNAME <user>
yt-ai config set WEBSHARE_PROXY_PASSWORD <pass>
yt-ai config set YT_EMBEDDING_MODEL paraphrase-multilingual-MiniLM-L12-v2
yt-ai config get OPENAI_API_KEY    # secrets masked (--reveal to show)

setはデフォルトでグローバル設定ファイル(~/.yt-mem-ai/config.env)に書き込むため、 MCPサーバーは作業ディレクトリに関係なくそれを読み取ります。--projectは ./.envに書き込みます。優先順位: プロセス環境変数 > プロジェクト.env > グローバル設定ファイル。 config listで各値の由来を確認できます。

内部の仕組み

以下はすべて任意の読み物です — 内部実装、チューニング、開発者向けメモ。

動作の仕組み

yt-dlp → captions (or Whisper) → chunks → embeddings → LanceDB
                                                          ↓
                     your assistant reads + writes summaries back

CLIが重いIOを担当しストアを所有します。スキルとMCPツールは薄い呼び出し側です。 動画はdiscovered → downloaded → transcribed → summarizedの順に進みます。 ライブ配信は終端のstreamステータスになり、バッチ取り込みではスキップされます (オンデマンドでyt-ai fetch <url>により1本を文字起こし)。ストレージは 組み込みのLanceDB(videos、channels、transcripts、chunks、summaries、 feedback)で、チャンクごとのベクトルに加えて全文インデックスを持ちます — これが 検索をハイブリッドにしている理由です。

コマンドの詳細

評価とレコメンド — 取得した動画に高評価/低評価を付け、yt-ai recommendが残りを高評価した動画との類似度でランク付けします(低評価した動画は除外)。 文字起こしの埋め込みを使用します。まだ何も高評価していない場合は 最も最近公開された動画にフォールバックします。

discoverは増分式 — 最新のフィードエントリを1回のフラットな呼び出しで取得し (YT_DISCOVER_FEED_LIMITで上限)、各エントリに概算タイムスタンプを付け、 前回実行時のハイウォーターマークから1時間のオーバーラップ(YT_DISCOVER_OVERLAP_S)を 引いたものより新しいものだけを保持します。これにより、時間単位で丸められた日付でも 境界の動画を取りこぼしません。処理済みの動画は除外されます。--after YYYY-MM-DDで 基準日を上書きできます。

compileとsupercutの違い — compileはその日のハイライトをmarkdownの ディープリンク(watch?v=ID&t=<start>s)としてレンダリングします。新しい動画が先頭で、 --max-minutes(デフォルト20)で制限されます。即座に完了し、--outを指定しない限り stdoutに出力します。supercutは各ハイライトのセクションを720pで再ダウンロードし、 ラベルを焼き込み、すべてをsupercuts/<date>.mp4に連結します。さらにソースを一覧した .refs.mdサイドカー(失敗後にスキップされたクリップも含む)も生成します — はるかに遅く、ネットワーク+ffmpegが必要ですが、共有可能です。

埋め込み、プロキシ、その他のチューニング

埋め込み: YT_EMBEDDING_BACKEND=local|openai。ローカルは sentence-transformers(YT_EMBEDDING_MODEL、デフォルトall-MiniLM-L6-v2)を使用 — 非英語ライブラリではparaphrase-multilingual-MiniLM-L12-v2(384次元、50以上の 言語)を設定すると、意味検索が言語横断で機能します。openaiは text-embedding-3-small|largeを使用(OPENAI_API_KEYが必要)。モデル変更後は yt-ai reembedを実行して既存ライブラリを移行します(全チャンクを再埋め込み。再取得は 不要)。

プロキシ / VLESS: YT_USE_WEBSHAREはデフォルトでオフです。すでに システムレベルのプロキシ/VPN(VLESS/Xrayなど)を実行している場合はオフのままにしてください — トラフィックはそのトンネルを通ります。その上にWebshareプロキシを重ねると、 認証付きの購読フィードが壊れます(CONNECTトンネルが405を返します)。 YT_USE_WEBSHARE=trueを設定するのは、他にプロキシがなく、YouTubeが生のIPを レート制限している場合だけです。discoverのチューニング: YT_DISCOVER_FEED_LIMIT (最新N件の上限、デフォルト60)、YT_DISCOVER_OVERLAP_S(増分オーバーラップ、 デフォルト3600)、YT_DISCOVER_TIMEOUT_S。

チェックアウトから作業する場合? uv sync --extra dev、次に設定を ~/.yt-mem-ai/config.envではなくプロジェクトローカルに置きたい場合はcp .env.example .env。

Pythonパッケージとしての利用

yt-mem-aiは通常のライブラリです — CLIはrun_*コアの上にかぶせた薄いTyperシェルで、 直接呼び出せます。すべてローカルで動作します: サーバー不要、APIキー不要 (openai埋め込みバックエンドを選ばない限り)。

pip install yt-mem-ai     # or: uv add yt-mem-ai
from dataclasses import replace
from pathlib import Path

from yt_mem_ai.config import load_config
from yt_mem_ai.cli import open_store, run_fetch, run_search, run_list, run_save_summary
from yt_mem_ai.store import db as store

# Config comes from ~/.yt-mem-ai/config.env < ./.env < process env.
# Override any field in code (Config is a frozen dataclass):
cfg = replace(load_config(), store_path=Path("~/.yt-mem-ai/lance").expanduser())

db = open_store(cfg)          # opens LanceDB + creates tables/indexes once
                              # pass db=... to every run_* call to reuse it

# 1. Ingest: download → transcribe (captions → whisper) → chunk → embed → store
video_id = run_fetch("https://www.youtube.com/watch?v=dQw4w9WgXcQ", cfg, db=db)
# captions only (no audio download, no whisper):
# video_id = run_fetch(url, cfg, db=db, captions_only=True)

# 2. Read what was stored
video = store.get_video(db, video_id)
text = store.get_transcript_text(db, video_id)
print(video.title, video.channel, video.duration_s, len(text or ""))

for c in store.list_chunks(db, video_id)[:3]:
    print(f"[{c['start_s']:.0f}s] {c['text'][:80]}")

# 3. Semantic search across the whole library (hybrid | vector | fts)
for hit in run_search(cfg, "retrieval augmented generation", mode="hybrid", k=5, db=db):
    print(hit["video_id"], hit["start_s"], hit["text"][:100])

# 4. Bring your own LLM: summarize the transcript however you like, then persist
summary_md = my_llm(text)                       # any model / provider
run_save_summary(
    cfg, video_id, summary_md,
    highlights_json='[{"t": 42, "text": "key moment"}]',
    qa_json='[{"q": "What is it about?", "a": "..."}]',
    db=db,
)
print(store.get_summary(db, video_id))

# 5. Library queries
for v in run_list(cfg, status="transcribed", since="2026-01-01", db=db):
    print(v.video_id, v.published_at, v.title)

他のコアも同じ形です(run_x(cfg, ..., db=db)): run_discover、 run_fetch_pending、run_channel_list、run_recommend、run_feedback、 run_compile、run_supercut、run_frame、run_reembed。より低レベルの部品も インポート可能です — yt_mem_ai.download.download、yt_mem_ai.transcript.get_transcript、 yt_mem_ai.store.embeddings.build_embedder / chunk_segments、 yt_mem_ai.store.db(LanceDB CRUD+search_chunks)。

ストアは素のLanceDBなので、直接開くこともできます:

import lancedb
from pathlib import Path
tbl = lancedb.connect(Path("~/.yt-mem-ai/lance").expanduser()).open_table("chunks")
df = tbl.to_pandas()      # video_id, start_s, end_s, text, vector

ロギング

CLIは構造化JSONイベントを**logs/common.jsonl**に書き込みます (obs.log_event/blog経由)— 1行に1オブジェクト、{ts, source, level, event, msg, ...ctx}の形式。パスはYT_LOG_FILEで上書きできます。gitignoreされています。jqで検査:

jq -c 'select(.level=="error")' logs/common.jsonl   # every error
tail -f logs/common.jsonl | jq -c '{ts,event,msg}'  # live tail, compact

テスト

uv run pytest -q                       # offline unit tests (fake embedder)
YT_RUN_INTEGRATION=1 uv run pytest -q  # + real sentence-transformers integration

リリース(メンテナー向け)

バージョンはgitタグから取得されます(hatch-vcs)。タグ付け、ビルド、公開:

git tag -a vX.Y.Z -m "vX.Y.Z" && git push origin vX.Y.Z
uv build                                # → dist/ (sdist + wheel)
sh scripts/publish.sh dist/yt_mem_ai-X.Y.Z*   # uploads to PyPI

scripts/publish.shは.env(gitignore済み)からUV_PUBLISH_TOKENをオンデマンドで読み込むため、 毎回エクスポートする必要はありません — .envにUV_PUBLISH_TOKEN=pypi-…を一度追加してください (.env.example参照)。同等の方法: set -a; . ./.env; set +a; uv publish dist/*。 トークンが漏れた場合はPyPIでローテーションしてください。

Tool Schema Changelog

Recent tool additions, removals, and schema changes observed during successful MCP inspections.

Loading tool schema changelog…

    Related MCP Connectors

    Related MCP Servers