一篇关于「让模型读懂一条视频」的踩坑记录。代码开源：github.com/taoyao-dev/agent-senses
前言：一个很蠢的起点
我给模型发了一条抖音链接，它试了半小时，一个字也没读出来。
不是它笨。它能读 mp4，但视频里没有字幕轨，它没有耳朵也没有眼睛------能拿到文件，不等于读懂内容。
于是我想写个东西：一个链接丢进去，返回文案、作者、互动数、逐句转写。做成 MCP 服务，Claude Code 挂上就能调。
写的过程中踩了四个坑，有一个差点让我把别人的数据写进去。记下来。
一、先要分清：这是「下载器」还是「理解器」
市面上做抖音解析的开源项目不少，大多是下载器：给个链接，返回一个 mp4。
但 agent 要的不是文件，是内容。文件只是中间产物。所以设计目标从一开始就不是「下得下来」，而是「读得懂」：
链接 → 元数据（结构化） → 音频 → 转写（逐句带时间戳） → 一个对象顺带一个反直觉的发现：yt-dlp 在抖音这条路上其实不好走。它需要新鲜的 cookie，而现在的 Chromium 系浏览器把 cookie 用 App-Bound 加密了，程序读不出来。绕开 cookie 反而是更短的路。
二、整体链路
scss
短链 ──302──> video_id ──Playwright(系统Chrome)──> 媒体流URL + detail接口JSON
│
带 Referer 下载 → ffmpeg 合流 → ASR用 Playwright 驱动系统里已经装好的 Chrome （channel="chrome"），不用再下一份 chromium，启动快、指纹也更像真人。然后在页面加载过程中挂一个 on_response 钩子，既收元数据也收媒体地址：
python
def on_response(resp):
u = resp.url
if not detail and any(k in u for k in _AWEME_API):
ad = _pick_aweme(resp.json(), video_id)
if ad:
detail.update(ad)
elif "/video/tos/" in u and "video" not in streams:
streams["video"] = u下面四个坑，都是在这个钩子上磨出来的。
三、坑一：别从 DOM 抠文本
第一版是解析播放页的 DOM，[data-e2e="video-desc"] 抓标题、.account-name 抓作者。能跑，但有两个问题：
- 拿不到精确互动数（点赞/评论/收藏），页面上显示的是「1.2万」这种四舍五入
- 前端一改版就崩
改成拦接口以后，/aweme/v1/web/aweme/detail/ 直接返回结构化的 aweme_detail，字段全、数字是原值、不怕改版。
但 detail 接口不是每次都会响------页面复用了前端缓存的时候请求不会重放。这时候整页 reload() 一次再等，通常能逼出来。
四、坑二（重点）：播放页会轮播「下一条」
这个是差点写错数据的那个。
思路很自然：接口拿到了就用接口的，接口缺字段就用 DOM 补。听起来没毛病，直到我发现------抖音的播放页会自己往下轮播。等我的钩子收完数据、再去 DOM 抠的时候，页面可能已经滑到了下一条视频。
于是「DOM 兜底」补进来的标题和作者，是别人的。
我印象很深的一个例子：一个熊出没的 id，打开来 DOM 显示的是另一个电影的名字。而且这个错误不会报异常、不会为空------它安安静静地给你一份看起来很正常、但属于别人的数据。这种 bug 比崩了可怕得多。
两层防御，都很朴素：
第一层，接口这头按 id 校验。 post、related 这些接口里装的是一堆别人的视频，不校验就会把隔壁的当成这条：
python
def _pick_aweme(j, video_id):
"""从接口响应里捞出「就是这条视频」的 aweme 对象。"""
ad = j.get("aweme_detail")
if isinstance(ad, dict):
return ad if str(ad.get("aweme_id")) == video_id else None
for key in ("aweme_list", "data"):
for x in j.get(key) or []:
if str(x.get("aweme_id")) == video_id:
return x
return None第二层，DOM 这头做一致性比对。 只有当 DOM 里那段文案和接口返回的文案开头一致，才允许用 DOM 补字段：
python
desc_api = detail.get("desc") or ""
desc_dom = dom.get("desc") or ""
same_video = bool(desc_api) and (not desc_dom or desc_dom[:15] == desc_api[:15])
item.author = (detail.get("author") or {}).get("nickname") or ""
if not item.author and same_video: # 只有确认是同一条，才敢用 DOM
item.author = dom.get("author", "")宁可字段为空，也不要填错。 空值调用方一眼能看出来，错值会被当成真的用下去。
五、坑三：whisper 的中文会在简繁之间跳
faster-whisper 转中文，同一条音频里能出现「吃點東西」和「宝头强」并存------繁体简体混着来。
第一反应是喂 initial_prompt 引导它输出简体。实测没用，反而会让别的词念错。 这条路放弃了。
最后是事后转一遍，用 opencc 的 t2s：
python
try:
from opencc import OpenCC
_S2T = OpenCC("t2s")
except Exception: # 没装就原样返回，不阻断转写
_S2T = None
def to_simplified(text: str) -> str:
return _S2T.convert(text) if _S2T else text顺带说清楚定位：这是速记，不是精校。人名、专有名词、口音重的地方都会错。引用前自己核对------README 里也是这么写的，别拿它当字幕。
六、坑四：抖音有两套媒体流
同一个站，两种播放器：
- 新版 ：直接托管合成好的 mp4，路径里带
/video/tos/，自带音轨 - 旧版 ：DASH 拆开，
/media-video和/media-audio两条
代码里两套都认，命中合成流就跳过 ffmpeg 合流------省一次转码，也省掉合流失败的一整类错误：
python
muxed = "/video/tos/" in streams["video"]
vpath = _download(streams["video"], wd / "video.mp4")
apath = vpath if muxed else _download(streams["audio"], wd / "audio.m4a")
...
full = vpath if muxed else media_mod.merge(vpath, apath, wd / "full.mp4")还有个隐性的坑：分片 URL 带时效签名，抓到手里必须立刻下。隔几分钟再下就是 403。所以下载和抓取之间不能插任何耗时的活儿。
七、结构上：核心库和 MCP 外壳分开
python
def fetch(url, *, want_video=True, want_transcript=True) -> Item:
...所有能力都在 senses/ 里（纯函数，不依赖 MCP），server.py 只是一层很薄的外壳，把 fetch 注册成 douyin_get 工具。
这么切的好处很实际：MCP 协议改了，或者以后想接别的 agent 框架（LangChain、自己的 CLI、定时任务），只换外壳，核心库一行不动。 顺便也让测试好写------测 senses 不需要起 MCP 服务。
八、边界，写在明面上
- 只读公开内容，不碰登录态，不做任何账号操作
- 只开源「看」的部分：解析、搜索、抓取、转写。「动手」的部分不开源------发帖、评论、读私信这些一旦公开风控细节，工具几天就死
- 转写是速记不是精校，引用前核对
- 现在只有抖音。B站、小红书还没做，接口形状不一样，慢慢加
九、最后
项目在 GitHub 上，MIT：
MCP 服务，Claude Code 直接挂：
bash
claude mcp add agent-senses --scope user -- python "<本目录>/server.py"它现在有两副「器官」：读抖音，和搜/抓网页。我想做的事其实就一句话------模型不缺脑子，缺感官。中文内容平台这块，大厂不屑做、老外做不了，偏偏每个用中文的 agent 都缺。
如果你也在做类似的东西，评论区聊聊你踩的坑。尤其是「接口和 DOM 打架」这类问题，我挺好奇别人怎么处理的。