Yt Media MCP Project

带有MCP的YouTube下载器代理

一个使用（某技术/框架/方法）的完整AI代理示例 模型上下文协议（MCP） 用于下载YouTube视频和音频。此项目展示了通过HTTP上的SSE传输实现的MCP（可能是指某种客户端-服务器协议或框架，具体需根据上下文确定，此处保留原英文缩写）客户端-服务器架构的正确实现。

特点/特性

• MCP 服务器-客户端架构职责的适当分离
• 视频下载下载YouTube视频，获取最高可用分辨率
• 音频下载从YouTube视频中提取音频
• SSE运输基于HTTP的MCP通信
• 异步操作非阻塞工具执行
• 工具发现从MCP服务器自动检测工具
• 本地大型语言模型（Local LLM）使用本地llama.cpp服务器（无需外部API费用）

建筑学

┌─────────────┐         ┌─────────────┐         ┌─────────────┐
│  LLM Server │ ←────→ │ MCP Client  │ ←────→ │ MCP Server  │
│ :8000       │         │ (main.py)   │  HTTP   │ :8001       │
└─────────────┘         └─────────────┘         └─────────────┘

要求

• Python 3.11及以上版本
• 本地 llama.cpp 服务器运行在 localhost:8000 （可定制）
• 一个兼容的模型文件（例如，Gemma-3-4b-it.gguf）

快速入门

1. 安装依赖项

uv sync

2. 启动本地LLM服务器（终端1）

llama-server -m path/to/your-model.gguf -p 8000 --jinja (not included in the project. You need to install llama-server yourself)

3. 启动MCP服务器（终端2）

uv run mcp-server/yt-media-mcp.py

MCP服务器将在（指定时间/条件下）启动 http://localhost:8001

4. 运行代理（终端3）

uv run main.py

5. 试试看！

=== YouTube Downloader Agent with MCP ===
Connecting to MCP server...
✓ Connected! Found 2 tools
Type 'exit' to quit

User: Download this video: https://youtube.com/watch?v=example to ./downloads
Agent: 
-- Executing download_video on MCP server...
I've successfully downloaded the video to ./downloads/

项目结构

yt-media-mcp-project/
├── main.py                      # MCP Client (AI Agent)
├── mcp-server/
│   └── yt-media-mcp.py         # MCP Server (Tool Provider)
├── pyproject.toml              # Dependencies
└── README.md                   # This file

它是如何工作的

1. 工具发现

当客户端启动时，它会连接到MCP服务器并发现可用的工具：

available_tools = await discover_mcp_tools()
# Fetches tool schemas from http://localhost:8001/tools

2. 用户请求 → 大语言模型（LLM）

用户输入连同可用的工具定义一起发送给大型语言模型（LLM）：

resp = llm_client.chat.completions.create(
    model=MODEL_NAME,
    messages=messages,
    tools=available_tools  # Auto-discovered from MCP server
)

3. 在MCP服务器上执行工具

如果大型语言模型（LLM）决定使用某个工具，客户端将通过HTTP调用MCP服务器：

output = await call_mcp_tool(tool_name, arguments)
# POST to http://localhost:8001/call

4. MCP服务器处理请求

服务器异步执行该工具：

@mcp.tool()
async def download_video(url: str, output_dir: str) -> str:
    # Downloads video using pytubefix
    # Returns result as JSON

5. 最终回应

工具的结果被发送回大型语言模型（LLM），以生成自然语言的回复。

关键特性解析

MCP 客户端 (main.py)

• 工具发现自动从服务器获取可用工具
• HTTP通信通过SSE/HTTP连接到MCP服务器
• 异步操作非阻塞工具执行
• 大型语言模型（LLM）集成与任何兼容OpenAI的API一起工作

MCP 服务器（mcp-server/yt-media-mcp.py)

• FastMCP 框架基于装饰器的简单工具定义
• SSE运输（公司）基于HTTP的服务器，运行在8001端口
• 异步工具用途 asyncio.to_thread() 用于阻塞操作
• 工具注册通过工具自动暴露 @mcp.tool() 装饰器

配置

更改端口

MCP服务器 - 编辑 mcp-server/yt-media-mcp.py：

mcp = FastMCP(
    "simple-yt-downloader",
    host="127.0.0.1",
    port=8001  # Change this port
)

或者使用环境变量（无需更改代码）：

FASTMCP_SERVER_HOST=0.0.0.0 FASTMCP_SERVER_PORT=9000 python mcp-server/yt-media-mcp.py

客户 (main.py):

MCP_SERVER_URL = "http://127.0.0.1:8001"  # Match server port

大型语言模型服务器 (main.py):

LLM_BASE_URL = "http://localhost:8000/v1"

使用远程大型语言模型（如OpenAI、Anthropic等）

更新于 main.py：

LLM_BASE_URL = "https://api.openai.com/v1"
LLM_API_KEY = "your-api-key-here"
MODEL_NAME = "gpt-4"