YouTube Comment Downloader MCP Server

YouTube 评论下载器 MCP 服务

一个 Model Context Protocol（MCP）服务，可让 AI 系统使用官方 YouTube Data API 下载和分析 YouTube 视频评论。它基于 FastMCP 2.14.5 构建，提供智能评论分析、服务端搜索筛选、互动洞察，以及针对大模型摄取优化的准确 token 计数。

功能

• 9 种专用工具，全面分析评论
• 集成 YouTube Data API，确保数据 100% 准确
• 精简模式，将数据大小减少 87%，提升大模型处理效率
• 服务端筛选，可将 token 用量减少 99% 以上
• 通过 GitHub Container Registry 提供多架构 Docker 镜像（amd64、arm64）
• 使用 Claude token 化模式进行准确的 token 计数
• 用于定向分析的频道发现工作流
• 用于配额监控的 MCP 资源（youtube://quota）
• 用于常见分析工作流的提示词模板

MCP 客户端配置

将此配置块添加到 MCP 客户端（例如 Claude Desktop）：

{
  "ytcomment": {
    "command": "uv",
    "args": ["run", "python", "src/server.py"],
    "cwd": "/path/to/ytcomment_mcp",
    "env": {
      "YOUTUBE_API_KEY": "your-api-key-here"
    }
  }
}

可用工具

所有工具均为只读（readOnlyHint=True），并带有用于筛选的标签。

评论分析工具（read 标签）

1. get_video_info - 获取视频元数据和评论总数（建议首先使用）
2. download_comments - 下载全部评论，支持精简模式（减少 87% 数据大小）和进度报告
3. search_comments - 服务端筛选搜索，可将 token 用量减少 99% 以上
4. get_top_comments - 在服务端按受欢迎程度排序，并以精简格式返回
5. get_comment_stats - 统计分析并提供评论样例

频道发现工具（read 标签）

6. find_channel - 按名称或部分名称搜索 YouTube 频道
7. get_channel_videos - 列出频道视频，并在服务端按标题筛选

系统工具（read + system 标签）

8. health_check - 检查服务状态和 API 配置
9. get_quota_status - 监控 API 用量和剩余容量

资源

• youtube://quota - 可读取的 MCP 资源，显示当前配额用量

提示词模板

• analyze_video_comments - 完整的情感与主题分析工作流
• find_channel_comments - 从频道发现到评论搜索的工作流
• compare_video_sentiment - 比较两个视频的评论区
• viral_comments_analysis - 查找并分析热门／爆款评论

快速开始

本地开发

# Install dependencies
uv pip install -e .

# Set up environment
cp .env.example .env
# Edit .env and add your YOUTUBE_API_KEY

# Test functionality
uv run python tests/test_server.py

# Run MCP server (stdio transport for local clients)
uv run python src/server.py

# Run with streamable HTTP transport (for remote access)
uv run python src/server.py --transport streamable-http --host 0.0.0.0 --port 8080

Docker 部署

# Using pre-built image from GitHub Container Registry
docker compose up -d

# Image: ghcr.io/suckerfish/ytcomment_mcp:latest
# Platforms: linux/amd64, linux/arm64

主要功能

精简模式（默认）

• 仅保留必要字段（作者、文本、点赞数、时间、是否被创作者点赞），减少 87% 数据大小
• 节省 token：每条评论约 6 个 token，而完整模式约为 25 个
• 针对大模型优化：在相同上下文窗口中可容纳多 4 倍的评论

YouTube Data API 集成

• 点赞数和互动指标 100% 准确
• API 配额：每天 10,000 个单位，每 100 条评论消耗 1 个单位
• 数据可靠：不受抓取限制或速率限制影响

上下文与进度报告

• 所有工具均使用 MCP Context 进行结构化日志记录（ctx.info、ctx.warning）
• download_comments 通过 ctx.report_progress() 实时报告进度
• 通过 Context 状态跟踪会话级配额

使用示例

# Recommended workflow: Start with video info
info = await get_video_info("dQw4w9WgXcQ")
print(f"Video has {info['statistics']['comment_count']:,} comments")

# Channel discovery workflow
channels = await find_channel("mkbhd", max_results=5)
videos = await get_channel_videos(channel_id, title_filter="iphone", limit=10)

# Efficient comment analysis
comments = await download_comments("dQw4w9WgXcQ")  # Downloads ALL, slim by default
search_results = await search_comments("dQw4w9WgXcQ", ["amazing", "review"], max_results=25)
top_comments = await get_top_comments("dQw4w9WgXcQ", top_count=20)

文档

• 部署指南 - Docker 和云端部署
• 快速入门指南 - 设置和创建基础服务
• 身份验证指南 - 设置 YouTube API 密钥
• 传输故障排查 - 传输配置
• 测试指南 - MCPTools 的使用和测试
• 最佳实践 - 错误处理、性能和安全

基于 FastMCP 2.14.5 和 YouTube Data API v3 构建。