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：

YouTube MCP 服务器架构图

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。

#Model Control Protocol

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