LetsGoVideoAgent

项目结构、运行维护、待办与风险见 维护文档；本地启动见 开发指南。

一个通用的多 Agent 视频理解项目，可处理课程、游戏、攻略、访谈和 Vlog 等视频。

主要功能

• 上传本地视频或导入网页视频
• 语音识别、OCR、说话人区分
• 自动生成章节和多轨时间轴
• 基于视频内容进行问答，并返回时间戳和画面证据
• 支持 DeepSeek 等可替换的 LLM API

技术栈

• 前端：Next.js、React、TypeScript
• 后端：Python、FastAPI、LangGraph
• 视频处理：yt-dlp、PyAV、Faster Whisper、RapidOCR
• 数据与基础设施：MySQL、Redis、Qdrant、MinIO、Docker

本地启动

# 后端
cd backend
.\.venv\Scripts\python.exe -m uvicorn lets_go_video_agent.main:app --reload

# 前端（新终端）
cd /d G:\2026Summer\LetsGoVideoAgent
npm --prefix frontend run dev

打开 http://localhost:3000，API 文档位于 http://localhost:8000/docs。

视觉理解默认使用硅基流动 Qwen/Qwen3-VL-32B-Instruct，本地 Ollama qwen3-vl:4b 可作为离线降级。免费联网检索以 SearXNG MCP Server 提供：

.\scripts\start-searxng.ps1

MCP 地址为 http://127.0.0.1:8090/mcp。

测试

cd backend
.\.venv\Scripts\python.exe -m pytest

项目目前处于 V1.0 P0 阶段，用于本人求职和日常兴趣探索，该项目仅用于学习、研究作用。