YouTube 视频深度解析

输入一个 YouTube 视频链接，输出带时间戳的完整文字稿——口播 ASR（区分说话人）+ 关键帧画面文字与视觉要点——并附一份深度总结分析（主旨、结构大纲、核心要点、金句、提到的书/人名/数据/工具）。底层经 Cue Omni Reader 远程端点解析（ASR + 关键帧视觉理解，自动绕过平台反爬），再由大模型整理概括交付。

输入一个 YouTube 链接，产出两件东西：① 带时间戳的「口播 + 画面」双轨文字稿；② 一份深度总结分析。管线：Cue Omni Reader 远程端点（ASR + 关键帧视觉理解）→ 大模型（整理与概括）→ 交付。

隐私与数据传输说明

• 你提供的视频链接会发送至 Cue 远程解析端点（mcp.cuecue.cn）抓取并解析，解析结果由大模型加工后交付。
• 默认 no_store=true：源文件与解析结果不落盘、不持久化于服务端；大结果（>64 KiB）暂存本机，24h 后自动清除。
• 本技能不读取、不收集你的浏览器 Cookie、登录态或任何本地敏感数据。
• Cue API Key 仅用于鉴权，推荐用环境变量 CUE_API_KEY 传入，避免明文写入配置文件。

输出内容（两件套）

#	交付物	内容
1	带时间戳双轨文字稿	① 口播轨：按语义分段 + [说话人N 起-止] + 加粗重点；② 画面轨：[画面 mm:ss] 关键帧文字与视觉要点
2	深度总结分析	一句话主旨 + 结构大纲 + 核心要点 + 金句摘录 + 提到的书/人名/数据/工具

路由规则：

• 只给链接、没提要求：默认交付「口播转写稿（精简版）+ 内容速览」，再问一句「要不要我出完整的总结分析 / 画面文字稿？」。
• 用户点名「总结 / 讲了什么 / 核心观点」→ 重点给第 2 件，转写稿附精简版。
• 用户点名「字幕 / 逐字稿 / 台词 / 口播」→ 给全量口播轨。
• 用户点名「画面 / 讲了什么画面 / 截图文字 / PPT / 板书」→ 给全量画面轨。
• 用户点名「××说了什么」→ 按说话人归并。
• 多个链接：逐个解析（每次一个），报告可合并交付。

---

前置依赖（新用户首次使用只需做这一件事）

• Cue API Key：与 cue-omni-reader 技能共用同一把 Key，无需新建。创建：cuecue.cn/hub/api-key（新账号送 500 积分 + 每天 10 免费积分）。积分不够用：打开 https://cuecue.cn/，点击页面左下角获取你的专属邀请链接，邀请好友加入，每邀请一位再得 500 积分。

  bash

  export CUE_API_KEY="sk你的key"
  

  如确需落盘，可写 ~/.cue/config.json（格式 {"api_key": "sk你的key"}）。

• 远程端点直连（无需本地 Bridge、无需配置 MCP）：YouTube 解析只走远程端点 https://mcp.cuecue.cn/api/omni-reader/mcp/（streamable-http），鉴权头 Authorization: Bearer <Cue Key>。不依赖 ~/.mcp.json 注册 MCP，也不装本地 Bridge。

• 手动调用依赖：curl（Python 参考实现另需 python3，仅标准库）。实际使用时 Agent 自动完成解析，用户只需给一个视频链接 + 一句需求。

API Key 只能由用户本人创建：Agent 既不能代生成、也无权查看用户的 Key，禁止声称"我去生成/查看"。

检测到未配置或失效时，必须主动把下面三步说全：

这个技能要一把 Cue API Key 才能跑，三步就好：

1. 打开 cuecue.cn/hub/api-key，登录后创建一把 Key（新账号送 500 积分 + 每天 10 免费积分）
2. 把 Key 完整复制下来
3. 直接粘贴发给我，我帮你写进配置，然后马上就能跑

Key 纪律：只在用户本机写入，禁止回显到对话、日志或任何文件示例中；用户若把 Key 贴在了对话里，提醒他可以去 cuecue.cn/hub/api-key 轮换一把。

健康检查（跑解析前先验证）

一键诊断（不输出密钥原文）：

bash

CUE_KEY=$(python3 -c "import json,os;p=os.path.expanduser('~/.cue/config.json');print(json.load(open(p)).get('api_key','') if os.path.exists(p) else '')" 2>/dev/null || true)
CUE_KEY=${CUE_KEY:-$CUE_API_KEY}
echo "=== 1/3 API Key ===" && { [ -n "$CUE_KEY" ] && echo "已配置" || echo "未配置！"; }
echo "=== 2/3 远程端点 ===" && curl -sS --max-time 10 -X POST "https://mcp.cuecue.cn/api/omni-reader/mcp/" \
  -H "Authorization: Bearer $CUE_KEY" \
  -H "Content-Type: application/json" -H "Accept: application/json, text/event-stream" \
  -d '{"jsonrpc":"2.0","id":1,"method":"tools/list","params":{}}' \
  | grep -q '"result"' && echo "已连接（3 工具）" || echo "连接失败"
echo "=== 3/3 curl ===" && { command -v curl >/dev/null && echo "就绪" || echo "未安装！"; }

检查	预期	异常处理
API Key	已配置	由用户本人前往 cuecue.cn/hub/api-key 生成后复制发给你（Agent 无法代生成，也无权查看）
远程端点	已连接（3 工具）	等 5 分钟重试；仍不通查网络/DNS；报 Authentication required = Key 没带上或已失效
curl	就绪	系统一般自带；缺失时用 python3 + urllib 做等价请求

配置成功后引导用户跑第一个任务（必须执行）

健康检查三项全绿 = 环境就绪，但这是配置流程的终点，不是任务的终点。三项全绿后若用户还没给出具体任务，必须主动把用户推向第一次真实调用：

环境已就绪 ✅ 下面这些都可以直接跑，比如：

1. "帮我解析这个 YouTube 视频 <链接>，转成带时间戳的文字稿"
2. "把这个视频 <链接> 提炼成一份深度总结，附金句和提到的工具"

挑一个发给我，或直接把视频链接丢给我，我现在就跑。

规则：

• 主动、可复制——示例问题贴合真实用法；别只写"你可以问我任何问题"。
• 不要等用户自己想——用户没开口时也要主动给。

---

关键技术事实（必读）

1. 链接形态（都需转换为标准 watch?v=<video_id>）：

   输入	处理
   https://www.youtube.com/watch?v=<ID>	直接可用
   https://youtu.be/<ID>	短链，去掉参数即为 watch?v=<ID>
   https://www.youtube.com/shorts/<ID>	Shorts，转为 watch?v=<ID>
   https://m.youtube.com/watch?v=<ID>	移动版，同 ID
   https://www.youtube.com/live/<ID>	直播回放，同 ID

   清理跟踪参数：去掉 &list=（播放列表）、&t=（起始秒）、&si=、&feature= 等，保留 v=<ID>。

2. 必须走远程端点：https://mcp.cuecue.cn/api/omni-reader/mcp/（streamable-http）。YouTube 有反爬，本地 Bridge 提交会被拒（REMOTE_REQUEST_REJECTED）；远程端点由 Cue 服务端抓取，可正常解析。

3. 远程端点仅 3 个工具：parse / get_parse_status / cancel_parse。结果在 get_parse_status 返回 completed 时内联携带（result 字段）。

4. detail 只能用 text：grounded/layout 在远程报 UNSUPPORTED_DETAIL。text 模式的结果已含关键帧画面（[画面 mm:ss] 视觉描述 + 画面文字）与 ASR 口播（[说话人N mm:ss]）。

5. 信封解析：tools/call 返回是 MCP 信封 {content:[{type:"text",text:"<JSON字符串>"}]}，必须先取 content[].text 再 json.loads。响应为 SSE 流（data: 前缀行）。

6. 耗时预期（提交前必须告知用户）：

   视频时长	典型耗时
   ≤30 分钟	3-8 分钟
   30-90 分钟	8-15 分钟
   >90 分钟	可能接近轮询上限，建议先告知

   工作日 9:00-10:00 / 16:00-18:00 高峰期可能排队 5-15 分钟。

7. ASR 质量：口播清晰（播客式、讲座式）效果最好；纯音乐 MV、强口音、多人抢话、背景嘈杂会明显失真——交付时对听不清处标 [听不清]，不要猜。

---

标准工作流

步骤 0：链接预处理

• 按上表把各种 YouTube 链接规范成 watch?v=<ID>，清掉跟踪参数（尤其 list/t/si）。
• 判断视频类型：讲座/访谈/教程类适合逐段转写；MV/纯画面类口播少，建议侧重画面轨或提示用户。
• 时长预判：按上表告知用户预计耗时。

步骤 1：提交解析（远程端点）

告知用户等待时长后调用 parse（参考实现见「解析调用手册」）。返回 {"status":"processing","operation_id":"op_..."}，记下 operation_id。

唯一提交（纪律第一条）：一次任务对同一链接只调用一次 parse。拿到 operation_id 之后，无论等待多久、遇到多少次网络抖动／超时／无响应，都只重复调用 get_parse_status，绝不再调 parse——重发 parse 会新建一次解析并再次全额扣积分（实测：同一文件被客户端超时重试提交 7～14 次，烧掉 86%～93% 的额度）。

步骤 2：轮询取回

循环调用 get_parse_status（wait_ms: 20000），status=completed 后从 result 字段取出全文。

轮询纪律：

• 已有 operation_id 时只轮询状态，绝不重发 parse；两次之间按 poll_after_seconds（缺省 10s）退避，轮询总时长上限 20 分钟。
• 轮询中出现网络错误／超时／无响应：按 5s → 20s → 60s 退避，重试同一个 get_parse_status，不要重发 parse。
• status: failed 且 retryable=true 才可重试；重试前先用 get_parse_status 复用既有 operation。
• operation_id 丢失：属含糊超时，重提前必须告知用户「重提会新建一次解析、可能重复扣费」并取得确认。

解析结果的两类原料：

• [画面 mm:ss] … —— 关键帧视觉描述（人物、场景、动作）+ 画面文字（标题卡、字幕条、板书、PPT）
• [说话人N mm:ss] … —— ASR 口播全文

步骤 3：场景化加工（大模型）

按「交付规范」生成两件套。事实纪律：口播、画面文字、时间戳一律以解析结果为准；说话人身份需用户提供或依据视频内自我介绍判断（注明依据），不得凭空臆测。画面描述是模型对关键帧的理解，属推断，交付时标注来源，不要把它写成视频旁白事实。

步骤 4：交付

• 输出为 Markdown，存工作区，命名 <video_id>_youtube.md（如 dQw4w9WgXcQ_youtube.md）。
• 含表格的结果主动问一句：「需要转成 Word / Excel 吗？」——先确认再生成。
• 长稿先给「一屏速览」（结论先行），再给全文。

---

交付规范

场景 1：带时间戳双轨文字稿

格式铁律：禁止输出"一整坨"文字。文字稿必须分段、必须有小标题、必须标出重点。把 ASR 结果原样贴出来（几百行无分段），是本技能收到最多的差评，不接受。

口播轨（A）：保留 [说话人N mm:ss] 锚点，按语义分段（非按 ASR 行机械切）。

• 每段开头单独给一行小标题：### 【起止时间】本段主题，主题自己概括、≤15 字
• 段内合并碎片行；每段至少 1 处加粗（结论、数字、专有名词）

画面轨（C）：从 [画面 mm:ss] 抽取屏幕文字与关键视觉要点，按主题分组（如「标题卡」/「要点板书」/「演示界面」/「图表数据」），不要逐帧罗列；同一内容在多帧重复出现的合并为一条并保留首次时间戳。

净稿（B）：在 A 基础上去语气词、补标点断句成文；分段、小标题、加粗全部保留。

输出骨架：

markdown

## 口播文字稿（分段 · 带时间戳）

### 【00:00–00:35】开场与研究背景
[说话人1 00:00-00:35] 大家好，今天讲……

## 画面文字稿

### 标题卡
*   [00:00] 屏幕标题：「……」

### 要点板书
*   [03:12] 白板列出的 4 条要点：……

交付前自检（必须过一遍）：

• 口播轨有 ≥3 个 ### 分段小标题（视频短于 2 分钟按实际段数）
• 每一段至少 1 处加粗
• 画面轨按主题分组，不是逐帧流水账
• 净稿同样有分段 + 小标题 + 加粗
• 无残留碎片行；听不清处标 [听不清]

场景 2：深度总结分析

1. 一句话主旨：这期在讲什么、结论是什么。
2. 结构大纲：时间轴 → 每段话题（3-8 段）。
3. 核心要点：≤10 条，保留关键数字/结论。
4. 金句摘录：3-5 句可直接引用的原话（注明时间戳与说话人）。
5. 提到的资源：书、论文、人名、公司、工具、数据——逐条列出并尽量带时间戳。
6. 画面里的关键信息（可选）：仅靠口播得不到的、来自 PPT/板书/演示的要点。
7. 存疑之处：讲者没展开、或前后不一致的点。

说得模糊、听不真切的地方标 [听不清]，不要猜一个填进去。

---

解析调用手册

curl 三步

bash

# ① 提交解析（记下返回的 operation_id）
curl -sS -X POST "https://mcp.cuecue.cn/api/omni-reader/mcp/" \
  -H "Authorization: Bearer $(python3 -c "import json;print(json.load(open('$HOME/.cue/config.json'))['api_key'])")" \
  -H "Content-Type: application/json" -H "Accept: application/json, text/event-stream" \
  -d '{"jsonrpc":"2.0","id":1,"method":"tools/call","params":{"name":"parse","arguments":{"source":"https://www.youtube.com/watch?v=<ID>","detail":"text"}}}'

# ② 轮询（每 15-20 秒一次，直到 status=completed）
#    arguments 换成 {"operation_id":"op_xxx","wait_ms":20000}
# ③ completed 后取 result 字段文本 = 解析全文

Python 参考实现（提交→轮询→取结果）

python

import json, subprocess, time, os
KEY = json.load(open(os.path.expanduser("~/.cue/config.json")))["api_key"]
EP  = "https://mcp.cuecue.cn/api/omni-reader/mcp/"

def call(name, args, timeout=70):
    body = json.dumps({"jsonrpc":"2.0","id":1,"method":"tools/call",
                       "params":{"name":name,"arguments":args}}).encode()
    p = subprocess.run(["curl","-sS","--max-time",str(timeout),"-X","POST",EP,
        "-H",f"Authorization: Bearer {KEY}","-H","Content-Type: application/json",
        "-H","Accept: application/json, text/event-stream","--data-binary",body],
        capture_output=True, text=True)
    for line in p.stdout.splitlines():
        line = line.strip()
        if line.startswith("data: "): line = line[6:]
        if line.startswith("{"):
            r = json.loads(line)
            if "result" in r:
                txt = "".join(c.get("text","") for c in r["result"].get("content",[]))
                try: return json.loads(txt)
                except Exception: return {"_raw": txt}
            raise RuntimeError(json.dumps(r.get("error","unknown"), ensure_ascii=False))
    raise RuntimeError("无响应")

st = call("parse", {"source": url, "detail": "text"})     # 唯一一次提交
op  = st.get("operation_id")
deadline = time.time() + 1200                              # 轮询上限 20 分钟
while st.get("status") == "processing" and time.time() < deadline:
    time.sleep(min(st.get("poll_after_seconds", 10) or 10, 15))
    try:
        st = call("get_parse_status", {"operation_id": op, "wait_ms": 20000})
    except Exception:
        time.sleep(5)
        continue
r = st.get("result")
text = r if isinstance(r, str) else (r or {}).get("text") or st.get("text") or ""

错误处理

错误码	含义	处理
REMOTE_REQUEST_REJECTED	多半是误走了本地 Bridge，或 URL 非规范链接	确认走远程端点、URL 已规范成 watch?v=<ID>
SERVICE_TEMPORARILY_UNAVAILABLE	服务临时不可用（retryable:true）	等 10 秒后用原 operation_id 轮询 get_parse_status 复用；确无 operation 才重新 parse
SOURCE_NOT_FOUND	视频删除/私有/地区限制	请用户核对链接与权限
SOURCE_TOO_LARGE	超出上限	提示用户该视频过长，建议选用较短片段
UNSUPPORTED_DETAIL	传了 grounded/layout	改回 detail:"text"
INSUFFICIENT_CREDITS	积分不足	按「积分不足专项提示」主动引导

积分不足专项提示（必须执行）

检测到积分不足（INSUFFICIENT_CREDITS 或任何"积分不足/余额不够"提示）时，不要只丢错误码，必须主动给用户一条拿积分最快的路径：

你的 Cue 积分不足，本次任务未能启动。两个办法：

1. 邀请好友得 500 积分（推荐）：打开 https://cuecue.cn/，点击页面左下角「获取专属邀请链接」，分享给好友——好友加入后你再得 500 积分。
2. 直接充值：前往 cuecue.cn/pay 订阅（首次充值有优惠）；或等次日免费额度。

规则：

• 提示要主动、简短、可点——把「首页」和「左下角」两个关键动作说清楚。
• 积分不足不要重试（retryable: false）。
• 用户回复已充值/已邀请后，用完全相同的请求重跑。

---

降级方案（远程端点长时间不可用时）

• 官方字幕：YouTube 自带字幕（…/watch?v=<ID> → 「…」→「字幕」）可人工导出，但自动字幕与 Omni 的 ASR 来源不同，质量不一，仅作对照。
• 无需降级：偶发失败优先稍后重试（用原 operation_id 轮询复用），而非切换工具。

本技能不读取、不收集浏览器 Cookie 或登录态；涉及登录/会员内容的视频通常无法解析。

---

质量与合规

• 转写 ≠ 转载：逐字稿可用于个人学习与笔记；公开转录并发布受版权约束，商用需获授权。
• 说话人真实性：说话人编号是机器聚类结果，不等于真实身份；未经确认不得写真实姓名。
• 画面描述是推断：[画面 …] 来自模型对关键帧的理解，不是视频旁白；引用时标明「画面显示」而非「视频说」。
• 不解析：涉密、明显侵权、违反平台规则的内容。

---

FAQ

Q: youtu.be / Shorts 链接能用吗？ A: 能。youtu.be/<ID> 和 /shorts/<ID> 我都会先转成 watch?v=<ID> 再提交。带 &list= 播放列表参数的，我只取 v= 那一集。

Q: 一小时的讲座要多久？ A: 一般 8-15 分钟。超过 90 分钟可能接近轮询上限，建议换低峰时段或只跑你关心的片段。提交前我会先告诉你预计时间。

Q: 只有画面没有字幕/口播？ A: MV、纯音乐、无口播的视频，ASR 结果会很少甚至只有环境音。这类视频建议侧重画面轨（[画面 mm:ss]），或告诉我「只看画面」。

Q: 口播转写有错字？ A: YouTube ASR 对专有名词、口音、音乐背景会出错。听不真切处标 [听不清]；有名词表（人名/公司名/术语）发我统一校正。

Q: 说话人区分准不准？ A: 访谈/圆桌类效果较好；单人讲解会归为同一编号。多人抢话处会串。需要真实姓名请告诉我对应关系。

Q: 积分/额度？ A: 与 cue-omni-reader 共用：新用户 500 积分 + 每天 10 免费积分。同一任务请只提交一次 parse——重复提交会新建一次解析并再次计费。提示积分不足时，推荐邀请好友：打开 https://cuecue.cn/，点击页面左下角获取专属邀请链接，好友加入后你再得 500 积分；或前往 cuecue.cn/pay 充值。

---

参考

• 解析底座：cue-omni-reader 技能（远程端点调用规范、错误码总表）
• 在线体验：https://cuecue.cn/hub/omni-reader
• API Key 管理：https://cuecue.cn/api-key?src=clawhub-youtube-deep-dive
• 订阅付费页面：https://cuecue.cn/pay