Índices Persistentes sobre Extracción: Arquitectura para un Servidor MCP de YouTube

Un desarrollador ha compartido notas detalladas de arquitectura de la construcción de un servidor MCP de YouTube que implementa índices locales persistentes, contrastando con el patrón común de "extraer y olvidar" observado en más de 40 servidores existentes.

Decisiones de Arquitectura

• Respaldo de tres niveles en cada herramienta: Utiliza YouTube Data API → yt-dlp → extracción de página. Cada respuesta incluye un campo de procedencia ({sourceTier, fallbackDepth, partial, fetchedAt, sourceNotes}) para evitar la degradación silenciosa. El agotamiento de la cuota en el nivel 1 resulta en una respuesta degradada con procedencia clara en lugar de un fallo.
• Modelo de persistencia: SQLite + sqlite-vec para almacenamiento vectorial local en un solo archivo, sin Docker ni base de datos externa. Las incrustaciones persisten entre sesiones, permitiendo que el conocimiento se acumule: la décima consulta en una lista de reproducción indexada es más rica y rápida que la primera.
• Abstracción del proveedor de incrustaciones: Utiliza Gemini text-embedding-004 (768d) cuando hay una clave de Gemini presente, recurriendo a all-MiniLM-L6-v2 (384d) completamente offline mediante inferencia local. Ambos son manejados por la misma abstracción, permitiendo búsqueda semántica sin claves API con calidad reducida o mejoras transparentes cuando se añade una clave.
• Búsqueda visual como índice separado: Tres capas independientes: Apple Vision VNGenerateImageFeatureVectorRequest para huellas de características por fotograma para similitud imagen a imagen, Gemini Vision para descripciones de escenas en lenguaje natural por fotograma clave, y Gemini text-embedding-004 para incrustaciones de 768d sobre texto OCR + descripciones para búsqueda texto→visual. Devuelve rutas reales de fotogramas en disco + marcas de tiempo + razonamiento de coincidencia, genuinamente separado del pipeline de transcripción.
• Eficiencia de tokens mediante esquemas de salida estrictos: Logra respuestas 75–87% más pequeñas que la salida cruda de la API de YouTube eliminando miniaturas, eTags y redundancia de localización, y usando proporciones de interacción normalizadas en lugar de conteos crudos.

Compensaciones Encontradas

• El uso de disco crece con la persistencia: Resuelto con cachés TTL por categoría de herramienta, un diagnóstico mediaStoreHealth y herramientas de limpieza por colección.
• La indexación visual es costosa: Debido a extracción de fotogramas clave + visión + OCR + incrustaciones. Se hizo opcional por video en lugar de automática durante la importación.
• El respaldo de tres niveles añade latencia cuando fallan los niveles anteriores: Considerado valioso por la fiabilidad, ya que el agotamiento de la cuota API es un problema real en producción, y yt-dlp/extracción de página mantienen el funcionamiento.
• Riesgo de colisión entre mcpName y nombre npm: El registro MCP usa io.github.<usuario>/<nombre> mientras npm es plano. Resuelto haciéndolos explícitos y diferentes.
• Apple Vision bloquea la capa de similitud imagen a imagen a macOS: Compensación aceptada, ya que las capas basadas en Gemini funcionan multiplataforma.

El código es de código abierto, y el desarrollador está abierto a discutir decisiones de diseño, particularmente sobre la compensación entre persistencia y extracción o el pipeline visual.