如何为 Cursor 和 Windsurf AI 编码助手构建 YouTube MCP 服务器

在将我的 Learn English Sounds 网站从 CMS 迁移到 Next.js 时，我遇到了一个令人沮丧的瓶颈。我需要找到演示每个英语音素的 YouTube 视频，但我的 AI 编码助手（Cursor 和 Windsurf）无法直接搜索 YouTube。

这意味着我必须手动验证每个视频建议，这中断了我的工作流程。我会得到一个建议，检查它是否存在，然后返回编码。这虽然不是一个大问题，但效率确实不高。

为了简化这个过程，我为 YouTube 构建了一个简单的模型控制协议 (MCP) 服务器。它允许我的 AI 编码工具在我的干预下搜索和检索实际的视频信息。

本指南将介绍如何构建您自己的 MCP 服务器。这是一个直接的项目，如果您经常需要您的 AI 编码助手访问 YouTube 等外部服务，它可以为您节省时间。

什么是 MCP？

想象一下，您正在使用 Claude 或 GPT 这样的 AI 助手，但它无法直接访问互联网或其他服务。MCP（模型控制协议）就像一个翻译器，帮助 AI 与这些服务进行通信。

这样想：如果您说英语，而您的朋友说西班牙语，您需要一个翻译才能交流。同样，MCP 服务器在 AI 工具（如 Cursor 或 Windsurf）和外部服务（如 YouTube）之间进行翻译。它遵循特定的规则，以便双方都能完美地理解对方。

从技术上讲，它是一个遵循特定格式的标准化 API 服务器，使 AI 工具能够在没有人为干预的情况下请求和接收数据。该协议定义了请求的格式、响应的结构以及错误的处理方式。

值得注意的是，Anthropic 已 开源了其模型上下文协议，使开发人员能够在数据源和 AI 工具之间构建安全连接。他们的实现包括 SDK、Claude 桌面应用程序中的本地服务器支持以及针对 Google Drive、GitHub 和 Slack 等流行系统的预构建服务器。

我为什么需要这个

Learn English Sounds 需要视频来展示每个音素的正确发音。没有直接的 YouTube 访问权限，Cursor 或 Windsurf 会建议那些经常不存在的视频，迫使我手动验证每个建议。

MCP 之前的工作流程示例：

我：“我需要‘th’音的视频。”
Cursor 或 Windsurf：“我推荐‘English TH Sounds - How to pronounce TH correctly’。”
我：“那个真的存在吗？频道是什么？”
Cursor 或 Windsurf：“应该在‘English Pronunciation’频道。”
我：*搜索 YouTube* “那个频道存在，但那个视频不存在。”

构建 YouTube 服务器

我使用 Python 和 FastAPI 构建了服务器，并连接到 YouTube Data API。这是展示其工作原理的架构图：

主要挑战在于管理 YouTube 的 API 配额并确保服务器正确遵循 MCP 规范。

它的工作原理

有了 MCP 服务器，Cursor 或 Windsurf 现在可以直接搜索 YouTube，并提供带有观看次数和评分的实际视频。这减少了来回的交互，使我能够专注于开发。

新的工作流程：

我：“查找‘th’音的视频。”
Cursor 或 Windsurf：*查询 MCP 服务器*
Cursor 或 Windsurf：“我找到了这些选项，带有观看次数和评分。您更喜欢哪个？”
我：“第一个。”
Cursor 或 Windsurf：*添加带有正确视频 ID 的嵌入代码*

技术实现细节

构建 MCP 时需要考虑的关键技术问题：

1. 身份验证：MCP 规范没有标准化的身份验证方法。我使用了存储在环境变量（.env 文件）中的 YouTube API 密钥。

2. 响应格式：AI 工具期望特定的响应格式。格式因端点而异，但这是 search_videos 端点的一个示例：

{
  "videos": [
    {
      "title": "How to Pronounce TH - English Pronunciation Lesson",
      "videoId": "dQw4w9WgXcQ",
      "channelTitle": "English Pronunciation",
      "description": "Learn how to pronounce the TH sound in English correctly."
    }
  ]
}

这是 get_video_details 端点的示例，它返回更全面的信息：

{
  "title": "How to Pronounce TH - English Pronunciation Lesson",
  "description": "Learn how to pronounce the TH sound in English correctly.",
  "channelTitle": "English Pronunciation",
  "publishedAt": "2023-04-15T14:30:00Z",
  "duration": "PT5M30S",
  "viewCount": "1234567",
  "likeCount": "12345",
  "commentCount": "1234"
}

3. 错误处理：一致的错误格式至关重要，因为 AI 工具可能会被意外的响应弄糊涂。我的实现包括针对不同场景的特定错误处理：

• 缺少 API 密钥：“无法初始化 YouTube 服务。请检查 YOUTUBE_API_KEY 环境变量。”
• 无效的 API 密钥：“发生 HTTP 错误 400：[错误内容]。这可能表示 API 密钥 (YOUTUBE_API_KEY) 无效或缺失。”
• 未找到资源：“未找到 ID 为‘[video_id]’的视频。”
• 一般 HTTP 错误：“发生 HTTP 错误 [status]：[错误内容]”

这对 AI 编码工具为什么重要

当您使用 Cursor 或 Windsurf 等 AI 助手进行编码时，您会根据外部信息不断做出决策。没有 MCP，这些工具在实时数据方面基本上是蒙着眼睛工作的。

MCP 之所以能改变 AI 编码的游戏规则，原因如下：

• 减少上下文切换：保持您的编码流程，无需在应用程序之间跳转
• 经过验证的信息：获取准确的实时数据，而不是可能过时或被幻觉化的内容
• 专业知识：访问 AI 未经训练的领域特定信息
• 定制化工作流程：根据您的特定需求和开发模式构建 MCP

根据 OpenAI 文档，MCP 提供“具有清晰边界的领域特定知识”，使其成为以可控、可预测的方式扩展 AI 功能的理想选择。同样，Anthropic 的 Claude 桌面应用程序使用 MCP 将 Claude 安全地连接到 Google Drive 和 GitHub 等服务。

创建您自己的 MCP

如果您想构建 MCP：

1. 从一个能为您节省最多时间的 API 端点开始

2. 专注于使响应格式正确

3. 实现适当的错误处理

我的 YouTube MCP 包括以下端点：

• /search_videos - 查找与查询匹配的视频
• /get_video_details - 获取特定视频的详细信息
• /get_related_videos - 查找与特定视频相关的视频
• /list_channel_videos - 获取频道的最新上传
• /get_channel_details - 获取 YouTube 频道的有关信息
• /search_playlists - 查找与查询匹配的播放列表
• /get_playlist_items - 获取特定播放列表中的视频

结果

构建此 MCP 服务器显著减少了我的开发时间。Cursor 和 Windsurf 现在可以根据实际视频数据提供更好的建议，并且我可以专注于开发，而无需切换上下文去搜索 YouTube。

流行的 MCP 服务器和当前用途

已有多个 MCP 服务器正在生产环境中使用：

• GitHub MCP：允许 AI 工具搜索存储库、查看代码以及访问问题/PR
• Google Drive MCP：支持从 Google Drive 搜索和检索文档
• Slack MCP：提供对频道、消息和工作区信息的访问
• Firebase MCP：支持查询和更新 Firestore 集合和文档
• MongoDB MCP：提供对 MongoDB 数据库的访问，用于 AI 辅助数据分析
• PostgreSQL MCP：允许 AI 工具查询关系数据库并可视化结果
• Jira MCP：支持查询和更新工单及项目信息
• Mermaid MCP：帮助根据文本描述生成图表（类似于 我的 Mermaid 自动化帖子）
• Wolfram Alpha MCP：提供计算和事实知识

这些服务器在 Claude Desktop 用户以及使用 Cursor 或 Windsurf 的开发人员中特别受欢迎。随着 MCP 生态系统的不断发展，我们看到了更多针对数据分析、API 测试和文档生成等领域的专用服务器。

自己尝试

我的 YouTube MCP 服务器的代码可在 GitHub 上找到。您需要一个 YouTube API 密钥才能进行设置。