北京
视频是最丰富的知识载体之一，也是最难搜索的。讲座、会议演讲、产品评测、播客，全都藏在播放按钮后面。
有人把一整个YouTube频道变成了可以查询的向量索引，每个答案都能链接回视频里精确到秒的位置。他拿Andrej Karpathy那期两小时的《Let's build GPT》做演示，提问"self-attention是怎么工作的"，返回的三条结果分别指向视频的第4299秒、4490秒和4561秒，点开链接就直接跳到答案开始的那一刻。
整期两小时的讲座被切成了99个片段。一个频道也是同样的处理方式，传入频道URL、设置maxVideosPerPlaylist就行。
第一步：拿到字幕
有两条路。一条是开源的youtube-transcript-api，在自己机器上跑几个视频完全够用，但它有两个坑：云服务器的IP会被YouTube拒绝，笔记本上跑通的代码上了生产可能就挂；频道和播放列表展开成视频ID、选语言、按时间戳切块，这些都得自己写。
另一条是托管方案，作者自己做的Apify Actor，传入视频、播放列表或频道，直接返回带时间戳的重叠片段和元数据，代理和重试都处理好了，没有字幕的视频不收费。每个片段长这样：chunkId、文本、startSeconds、带t参数的url、videoId、标题、频道名。
第二步：把片段向量化
用Chroma，本地运行，自带默认嵌入模型，不需要API key也不用配置。把每个片段的chunkId当作文档ID写进去，重复运行就是幂等的——每周重新索引一个频道，只有新视频会被加进去。
第三步：提问，拿回带时间戳的来源
查询返回文档和元数据，元数据里的url就是那个精确到秒的链接。想要一段写好的答案，就把检索到的片段丢给任意LLM，让它引用每个片段的url，用户点一下就能跳到视频里的对应时刻。
作者还给了几条实操建议：片段大小200到400词对多数嵌入模型都合适，密集讲座用小片段加更多重叠，闲聊播客用大片段；自动生成的字幕没有标点，但嵌入模型不在乎，想优先用人工字幕可以检查isAutoGenerated；语言参数是偏好顺序，availableLanguages能告诉你每个视频有什么；每周定时跑一次频道URL、把maxVideosPerPlaylist设小一点，新上传的内容就会流进同一个索引。
成本方面，托管版本每1000份字幕5美元，没有字幕的视频免费，在Apify上按次付费，免费计划带月度额度。只有几个视频的话，开源方案不花钱。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
