YouTube数据分析聊天机器人
该存储库 溪流和 谷歌双子座，还有 FastMCP结合构建的 YouTube数据分析聊天机器人的前端/客户端应用程序。
当用户用自然语言提问时，聊天机器人会与单独分发的MCP服务器通信，获取所需的YouTube数据（字幕、评论、频道信息等），Gemini 2.5 Pro型号会对此进行分析并提供洞察。
MCP服务器 这个存储库 请参考。
主要功能
- 交互式分析：保持与用户的对话脉络，深入分析YouTube数据。
- MCP工具集成：通过FastMCP协议调用远程服务器上的工具（提取字幕、搜索、收集评论）。
- 异步处理：确保UI在数据收集和分析期间不会停止
asyncio利用提供舒适的体验。 - 会话管理：您可以通过侧栏创建多个分析会话并管理记录。
技术堆栈
- 前端：流光灯
- AI模型：谷歌双子座（通过
google-genaiSDK） - 工具协议：FastMCP（客户端）
- 语言：Python 3.10+
设置和部署
为了运行此项目， 流光的秘密 设置是必需的。必须在Streamlit Cloud仪表板上的“应用设置”（Settings）->“秘密”菜单中添加以下内容： \*注意：代码以st.secrets.api.mcp_server_url访问st.secrets.api，因此必须区分\[api\]部分。
# Google AI Studio에서 발급받은 Gemini API Key
gemini_api_key = "AIzaSy..."
# 배포된 FastMCP 서버의 URL (예: fastmcp cloud url)
[api]
mcp_server_url = "https://your-mcp-server-url..."使用示例
您可以向聊天机器人提出以下问题：
- 视频内容摘要（Transcript）
“总结一下这个视频（URL）的内容，把核心主张整理成三行。”
- 评论评论（Comments）
“这个视频的留言反应怎么样？人们主要在称赞或批评什么？”
- 了解趋势（Search）
“给我找5个最近关于‘AI代理’点击率最高的视频，告诉我共同的特点。”
- 通道信息（Channel Info）
“这个频道主要上传什么视频，增长势头如何？”
______________________________________________________________________
YouTube数据分析聊天机器人
此存储库是用于 YouTube数据分析聊天机器人，通过组合构建 溪流, 谷歌双子座，以及 FastMCP.
当用户用自然语言提问时，聊天机器人会与单独部署的MCP服务器通信，以获取必要的YouTube数据（成绩单、评论、频道信息等），然后由Gemini 2.5 Pro模型进行分析，以提供见解。
请参考 此存储库 对于MCP服务器。
主要特点
- 交互分析：对YouTube数据进行深入分析，同时与用户保持对话环境。
- MCP工具集成：通过FastMCP协议从远程服务器调用工具（转录提取、搜索、评论收集）。
- 异步处理：利用
asyncio以确保平滑的用户体验，其中UI在数据收集和分析期间不会冻结。 - 会话管理：允许通过侧边栏创建多个分析会话和管理历史记录。
技术栈
- 前端：流光灯
- AI模型：谷歌双子座（通过
google-genaiSDK） - 工具协议：FastMCP（客户端）
- 语言：Python 3.10+
配置和部署
要运行此项目，请配置 流光的秘密 这是至关重要的。您必须将以下内容添加到应用程序中 设置->秘密 Streamlit Cloud仪表板中的菜单。
*注意：由于代码访问 st.secrets.api.mcp_server_url，你必须严格分开 [api] 部分。*
# Gemini API Key issued from Google AI Studio
gemini_api_key = "AIzaSy..."
# URL of the deployed FastMCP server (e.g., FastMCP Cloud URL)
[api]
mcp_server_url = "https://your-mcp-server-url..."使用示例
您可以向聊天机器人提出以下问题：
- 视频内容摘要（转录）
“总结此视频（URL）的内容，并用3行概述核心论点。”
- 评论情绪分析（评论）
“这段视频的评论反应如何？人们主要赞扬或批评了哪些方面？”
- 趋势识别（搜索）
“找到最近与‘人工智能代理’相关的前5个浏览量最高的视频，并告诉我它们的共同特征。”
- 渠道分析（渠道信息）
“这个频道主要上传什么样的视频，它的增长趋势如何？”