YouTube to LinkedIn MCP 服务器

一个模型上下文协议（MCP）服务器，能够自动化地从YouTube视频生成LinkedIn帖子草稿。该服务器基于YouTube视频的字幕提供高质量、可编辑的内容草稿。

功能

• YouTube 字幕提取：使用视频URL从YouTube视频中提取字幕
• 字幕总结：使用OpenAI GPT生成简洁的视频内容摘要
• LinkedIn 帖子生成：创建具有自定义语气和风格的专业LinkedIn帖子草稿
• 模块化API设计：清晰的FastAPI实现，带有明确定义的端点
• 容器化部署：准备在Smithery上部署

设置说明

前提条件

• Python 3.8+
• Docker（用于容器化部署）
• OpenAI API密钥
• YouTube数据API密钥（可选，但推荐以获得更好的元数据）

本地开发

1. 克隆仓库：

   git clone <repository-url>
   cd yt-to-linkedin
   

2. 创建虚拟环境并安装依赖项：

   python -m venv venv
   source venv/bin/activate  # 在Windows上: venv\Scripts\activate
   pip install -r requirements.txt
   

3. 在项目根目录下创建一个包含您的API密钥的.env文件：

   OPENAI_API_KEY=your_openai_api_key
   YOUTUBE_API_KEY=your_youtube_api_key
   

4. 运行应用程序：

   uvicorn app.main:app --reload
   

5. 访问 http://localhost:8000/docs 上的API文档

Docker 部署

1. 构建Docker镜像：

   docker build -t yt-to-linkedin-mcp .
   

2. 运行容器：

   docker run -p 8000:8000 --env-file .env yt-to-linkedin-mcp
   

Smithery 部署

1. 确保已安装并配置了Smithery CLI。

2. 部署到Smithery：

   smithery deploy
   

API 端点

1. 字幕提取

端点: /api/v1/transcript
方法: POST
描述: 从YouTube视频中提取字幕

请求体:

{
  "youtube_url": "https://www.youtube.com/watch?v=VIDEO_ID",
  "language": "en",
  "youtube_api_key": "your_youtube_api_key"  // Optional, provide your own YouTube API key
}

响应:

{
  "video_id": "VIDEO_ID",
  "video_title": "Video Title",
  "transcript": "Full transcript text...",
  "language": "en",
  "duration_seconds": 600,
  "channel_name": "Channel Name",
  "error": null
}

2. 字幕总结

端点: /api/v1/summarize
方法: POST
描述: 从视频字幕生成摘要

请求体:

{
  "transcript": "Video transcript text...",
  "video_title": "Video Title",
  "tone": "professional",
  "audience": "general",
  "max_length": 250,
  "min_length": 150,
  "openai_api_key": "your_openai_api_key"  // Optional, provide your own OpenAI API key
}

响应:

{
  "summary": "Generated summary text...",
  "word_count": 200,
  "key_points": [
    "Key point 1",
    "Key point 2",
    "Key point 3"
  ]
}

3. LinkedIn 帖子生成

端点: /api/v1/generate-post
方法: POST
描述: 根据视频摘要生成LinkedIn帖子

请求体:

{
  "summary": "Video summary text...",
  "video_title": "Video Title",
  "video_url": "https://www.youtube.com/watch?v=VIDEO_ID",
  "speaker_name": "Speaker Name",
  "hashtags": ["ai", "machinelearning"],
  "tone": "professional",
  "voice": "first_person",
  "audience": "technical",
  "include_call_to_action": true,
  "max_length": 1200,
  "openai_api_key": "your_openai_api_key"  // Optional, provide your own OpenAI API key
}

响应:

{
  "post_content": "Generated LinkedIn post content...",
  "character_count": 800,
  "estimated_read_time": "About 1 minute",
  "hashtags_used": ["#ai", "#machinelearning"]
}

4. 输出格式化

端点: /api/v1/output
方法: POST
描述: 格式化LinkedIn帖子以便输出

请求体:

{
  "post_content": "LinkedIn post content...",
  "format": "json"
}

响应:

{
  "content": {
    "post_content": "LinkedIn post content...",
    "character_count": 800
  },
  "format": "json"
}

环境变量

注意：虽然 API 密钥的环境变量是可选的（因为它们可以在每次请求中提供），但建议在本地开发和测试时设置这些变量。当部署到 Smithery 时，用户需要在请求中提供他们自己的 API 密钥。

许可证

MIT