MCP Content Pipeline

mcp内容管道

](https://pypi.org/project/mcp-content-pipeline/) ](https://pypi.org/project/mcp-content-pipeline/)  

YouTube视频和X（推特）提要的内容分析和摘要管道，公开为 主控程序 工具。提取成绩单，从策划的帐户中获取帖子，并生成关键要点、TLD、社交挂钩和漫画书信息图——所有这些都可以由任何兼容MCP的AI客户端（如Claude Desktop）调用。

flowchart LR
    A[YouTube URL
or X feed] --> B[Extract content
Supadata / X API]
    B --> C[Claude analysis
takeaways, TLDR, hook]
    C --> D[Gemini image
comic infographic]
    D --> E[Sync to GitHub
markdown + image]

为什么？

跟上YouTube频道和X帐户意味着分散的标签、手动笔记和丢失的见解。这个MCP服务器将内容消费转化为结构化、可链接的工具。分析彭博社的视频，消化你的X提要，生成信息图表，并将所有内容同步到GitHub——所有这些都来自与克劳德的一次对话。

在生态系统中的作用

• 用途: mcp llm评估 用于评估和CI质量门
• 生产：编写JSON基准 llm基准 在...之下 text-generation/content-pipeline-*.json
• 可见于: LLMShot的文本生成域内容管道子基准

eval数据集(eval/dataset.json)使用此仓库是因为这些问题特定于YouTube和X提要分析——数据集属于用例，而不是引擎。

快速开始

uvx mcp-content-pipeline

或者显式安装：

uv tool install mcp-content-pipeline
mcp-content-pipeline

Claude桌面配置

添加到您的Claude Desktop MCP配置(~/Library/Application Support/Claude/claude_desktop_config.json):

{
  "mcpServers": {
    "content-pipeline": {
      "command": "/usr/local/bin/uvx",
      "args": ["mcp-content-pipeline"],
      "env": {
        "MCP_CP_ANTHROPIC_API_KEY": "sk-ant-...",
        "MCP_CP_SUPADATA_API_KEY": "sd_...",
        "MCP_CP_GITHUB_TOKEN": "ghp_...",
        "MCP_CP_GITHUB_REPO": "your-username/your-repo",
        "MCP_CP_GEMINI_API_KEY": "your-gemini-api-key",
        "MCP_CP_X_BEARER_TOKEN": "your-x-bearer-token",
        "MCP_CP_X_ACCOUNTS": "karpathy,bcherny,atmoio,steipete",
        "MCP_CP_X_TOPICS": "AI,tech,engineering"
      }
    }
  }
}

用法

在Claude Desktop中配置后，在一次对话中使用这些工具。

提示： 包括YouTube的“内容管道”或Twitter的“X提要”，有助于Claude Desktop找到合适的工具。

YouTube分析

“使用内容管道分析此视频：https://www.youtube.com/watch?v=..." “为此分析生成图像” “将分析和图像同步到GitHub”

或者全部在一个提示中：

“使用内容管道分析此视频，生成图像并同步到GitHub：https://www.youtube.com/watch?v=..."

X饲料文摘

“分析X feed” “分析今天关于人工智能的karpathy、bcherny、atmoio和steipete的X提要” “分析过去7天的X提要”

或者使用完整的管道：

“分析X提要，生成图像，并同步到GitHub”

工具

环境变量

所有前缀均为 MCP_CP_:

成本预测

两种使用模式的估计每月成本：

Claude API费用取决于您的Anthropic计费计划，不包括在上述总额中。如果您已经使用Claude Pro（每月20美元），则无需支付额外的Claude费用。X API支出上限可以在 开发者控制台.

这取代了什么

埃瓦尔·盖茨

使用以下命令在CI中自动评估提示和模型更改 mcp llm评估eval数据集涵盖了YouTube分析和X提要摘要提示，在相同的测试用例上对8个模型（Claude Opus 4.7、Claude Sonnet 4.6、Claude Haiku 4.5、GPT-5.5、GPT-4o-mini、Gemini 3 Flash Preview、Gemini 2.5 Flash、Gemini 2.5Flash Lite）进行了基准测试。触摸系统提示或模型配置的PR会触发评估运行，对参考数据集的可信度和相关性进行评分。如果质量下降到配置的阈值以下，则PR将被阻止。

看 .eval-gate.yml 用于阈值配置和 eval/dataset.json 对于测试数据集。

在本地运行基准测试

基准测试需要所有提供程序的API密钥。创建一个 .env 项目根目录中的文件：

ANTHROPIC_API_KEY=sk-ant-...
OPENAI_API_KEY=sk-...
GOOGLE_API_KEY=AIza...

然后运行：

make benchmark        # Run eval against all 8 models
make benchmark-copy   # Copy results to llm-benchmarks repo

此项目使用  用于基准测试和CI质量门。制作使用克劳德·索内特(claude-sonnet-4-6).该基准跟踪了所有8个模型（3个Anthropic、2个OpenAI、3个Google），因此我们可以随着功能和定价的发展重新评估提供商的选择。

发展

git clone https://github.com/your-username/mcp-content-pipeline.git
cd mcp-content-pipeline
uv sync
uv run pytest -v --cov=src/mcp_content_pipeline
uv run ruff check src/ tests/

安全

• 所有凭据都是通过本地环境变量配置的，从不提交到仓库
• 该工具是开源的，但您的API密钥、YouTube密钥和GitHub令牌保留在您的机器上
• 从不 创建一个 .env 存储库中的文件——改用shell导出或Claude Desktop配置

贡献

1. 分叉存储库
2. 创建要素分支(git checkout -b feat/my-feature)
3. 使用提交 常规承诺 (feat: add new feature)
4. 推送并打开拉取请求

许可证

麻省理工学院