VideoNote-MCP

VideoNote-MCP

MCP server that converts video links into AI-generated Markdown notes, with tools for task management, transcription engines, and LLM providers.

Category
Visit Server

README

BiliNote-MCP

中文 · English

视频链接 → AI Markdown 笔记。基于 BiliNote 核心能力封装成的 MCP Server（Model Context Protocol）+ Claude Code Skill：给 agent 一个链接，它下载、转写、总结，交回一份结构化笔记 —— 全程无需启动后端。

<div align="center">

GitHub stars License: MIT Python 3.11+ MCP Claude Code BiliNote-MCP MCP server

</div>

<p align="center"><a href="https://glama.ai/mcp/servers/HuangYincan/BiliNote-MCP"><img src="https://glama.ai/mcp/servers/HuangYincan/BiliNote-MCP/badges/card.svg" alt="BiliNote-MCP MCP server" width="600"></a></p>

📦 仓库：HuangYincan/BiliNote-MCP

✨ 特性

  • 🗜️ 内嵌流水线 —— 下载（yt-dlp）→ 字幕/转写（本地 faster-whisper 或云端 groq/bcut）→ 视频理解（按间隔抽帧，多模态 LLM 看画面） → LLM 总结 → Markdown 笔记。全部逻辑在本仓库内，无需启动 BiliNote 的 FastAPI 后端与 Web UI。
  • 🧠 无 RAG —— agent 拿到 Markdown 后自己阅读、自己回答，不需要 ChromaDB / embedding，轻量即用。
  • 📦 自包含 —— app/ 目录复制自上游（见 VENDOR.md），pip / uv 一键安装。

快速开始（TL;DR）

# 装：一条命令装好 Skill + MCP
claude plugin marketplace add HuangYincan/BiliNote-MCP
claude plugin install bilinote@bilinote

# 配：LLM key + 语音转写引擎（隐藏输入 key）
bilinote-mcp setup

# 用：重启会话，对 agent 说「帮我给这个视频做笔记」+ 链接

bilinote-mcp 是 CLI 简写，未在 PATH 时用 uvx --from git+https://github.com/HuangYincan/BiliNote-MCP bilinote-mcp ...（见 前提条件）。

安装方式 内容 适合
一 · 插件 marketplace（推荐） Skill + MCP（uvx 自动更新） 大多数用户
二 · 只装 MCP（uvx） 仅 MCP 不想装 Skill
三 · uv tool install 仅 MCP（固定版本，启动最快 ~1s） 要稳定版本
四 · 克隆 + install.sh MCP + Skill + 自动 setup，无 uv 兜底 没装 uv / 想跑源码

真实端到端使用示例

只给「3 个 B 站链接 + 输出目录」、一个参数都没说明，agent 就自动跑完 参数确认 → 多视频并行 → 视频理解截图 → 弹幕/评论整合 → 基于字幕精修，产出三份带截图、含「观众观点」的便携精修笔记：

完整过程记录（前置参数 / Prompt / 参数确认对话 / 输出结果）见 examples/note-generation-example/README.md。

💡 以下从「安装」到「工具参考」都写得尽量详细，主要是给 Agent 看的（Claude Code 等）。人类完全不必逐条照做 —— 直接对 agent 说一句「帮我安装这个 MCP 并生成视频笔记」，它就会照着下面的命令一步步执行。

安装

前提条件

  • uv（Python 包管理器，必需 —— uvx / uv tool 方式装 MCP 和 CLI 都靠它）： curl -LsSf https://astral.sh/uv/install.sh | sh 或 brew install uv

    没有 uv？走「方式四」，脚本内置 pip 兜底。

  • Python ≥ 3.11，<3.14（推荐 3.12，.python-version 已锁定）
  • FFmpeg（音频/视频处理必需）：brew install ffmpeg（Linux：apt install ffmpeg）
  • LLM 供应商 API Key（见配置）
  • 本地转写：本地 whisper 需先下载模型 bilinote-mcp transcriber download <size>（tiny/base/small/medium/large-v3/large-v3-turbo），或改用云端 groq / bcut（免下载）
  • GPU 加速（可选）：
    • NVIDIA / Linux：whisper 默认 CPU；想用 CUDA，装工具时带 --with torch（CUDA 版 torch），推理时自动检测 GPU，否则回退 CPU
    • macOS Apple Silicon：用 mlx-whisper 走 GPU —— 装工具时 --with mlx-whisper，切引擎 bilinote-mcp transcriber set mlx-whisper --size small
  • CLI 命令可用形式：正文里的 bilinote-mcp ... 是简写，等价于：
    • 有 uv：uvx --from git+https://github.com/HuangYincan/BiliNote-MCP bilinote-mcp ...（--from 必须带 git+ 前缀）
    • 方式四（pip 装的 venv）：<仓库路径>/.venv/bin/bilinote-mcp ...
    • 想让 bilinote-mcp 直接可用：uv tool install --from git+https://github.com/HuangYincan/BiliNote-MCP bilinote-mcp + uv tool update-shell 加入 PATH

方式一：插件 marketplace —— Skill + MCP（推荐）

claude plugin marketplace add HuangYincan/BiliNote-MCP
claude plugin install bilinote@bilinote

两条命令同时装好 Skill + MCP server（MCP 走 uvx，每次会话自动拉最新 commit）。装完重启会话（或 /reload-plugins）。运行数据统一在 ~/.local/share/bilinote-mcp/。

插件默认的 MCP 不含 mlx-whisper（可选依赖，仅 macOS；默认加会让 Linux/Windows 装不上）。想在 MCP 里用 mlx-whisper，手动覆盖 MCP 命令：

claude mcp add bilinote -- uvx --from git+https://github.com/HuangYincan/BiliNote-MCP --with mlx-whisper bilinote-mcp

手动注册后会话用的是这份（claude mcp list 显示它即生效）。若与插件同名 bilinote 冲突/不生效，先 claude mcp remove bilinote 再重加，或改用 ~/.local/bin/bilinote-mcp（uv tool install --with mlx-whisper 装的那个）作为 MCP 命令。

方式二：只装 MCP（不装 Skill）

claude mcp add --scope user bilinote -- uvx --from git+https://github.com/HuangYincan/BiliNote-MCP bilinote-mcp

即方式一的 MCP 部分。MCP server 是会话级常驻进程（会话开始启动一次，工具调用不重新拉起）。

方式三：uv tool install —— 固定版本、启动最快

uv tool install --from git+https://github.com/HuangYincan/BiliNote-MCP bilinote-mcp
claude mcp add bilinote -- "$HOME/.local/bin/bilinote-mcp"

每次会话直接启动进程（约 1s）、不访问仓库；版本被固定，更新需重跑上面的 uv tool install --force。

macOS Apple Silicon 想用 MLX Whisper（更快的本地转写，可选依赖）：安装时带上 uv tool install --force --from git+https://github.com/HuangYincan/BiliNote-MCP bilinote-mcp --with mlx-whisper

方式四：克隆 + install.sh

git clone https://github.com/HuangYincan/BiliNote-MCP.git
cd BiliNote-MCP && ./install.sh

无 uv 也能用（脚本用 pip 建 .venv）。install.sh：创建 venv → 注册 MCP → 安装 Skill → 自动弹出 bilinote-mcp setup 向导。非交互终端会跳过，可稍后手动跑。

配置（装完必做）

安装只让 MCP / Skill 跑起来；LLM API key 和语音转写引擎需单独配置（key 是你的、模型要选）。所有方式共用同一数据目录（~/.local/share/bilinote-mcp/），配好即会话内生效。

交互向导 setup（推荐，随时可反复进入修改）

bilinote-mcp setup        # 未在 PATH 时：uvx --from git+https://github.com/HuangYincan/BiliNote-MCP bilinote-mcp setup

方向键选择 + 高亮、左键返回上一级、每步自动清屏不留历史；不是一次性程序，随时重跑即可改配置：

  • ① LLM 供应商：选一个填/改 key、改 base_url、新增中转站；每供应商可检测连接（验证 key/base_url）、列出可用模型并选默认模型（默认模型持久化，生成笔记未指定模型时自动使用）；
  • ② 语音转写引擎：选引擎 + 模型尺寸，本地模型未下载会提示下载；
  • ③ 其他：平台 Cookie（平台下拉选择）、默认笔记位置（持久化保存）、视频理解默认（开/关 + 帧间隔秒数，持久化保存）、评论/弹幕整合默认（开/关 + 评论条数，持久化保存，需 B 站 SESSDATA）、笔记默认（default_style 默认 detailed / default_screenshot 默认关 / agent_direct 默认关，持久化保存）—— 全自动模式套用这些默认（会先列出完整参数清单给用户确认）。

手动 CLI（key 不进对话）

# LLM 供应商
bilinote-mcp providers list                                    # 查看（key 掩码）
bilinote-mcp providers set deepseek --api-key 'sk-你的key'      # 给内置供应商填 key
bilinote-mcp providers add --name 中转站 --api-key 'sk-...' --base-url 'https://relay...'   # 新增中转站
bilinote-mcp providers test deepseek                            # 检测连接 + 列出可用模型
bilinote-mcp providers test deepseek --default deepseek-chat    # 检测并设为默认模型

# 语音转写引擎
bilinote-mcp transcriber list                                  # 查看当前引擎与就绪状态
bilinote-mcp transcriber set fast-whisper --size small          # 切本地 whisper
bilinote-mcp transcriber set groq                               # 切云端
bilinote-mcp transcriber download small                          # 下载 fast-whisper 模型
bilinote-mcp transcriber download small --engine mlx-whisper     # 下载 mlx-whisper（macOS）

# B 站（用 AI 字幕跳过语音识别）
bilinote-mcp login bilibili     # 扫码登录，自动获取并保存 SESSDATA（AI 字幕需登录态）

转写引擎：fast-whisper（本地）/ groq / bcut / kuaishou（云端）/ mlx-whisper（仅 macOS Apple Silicon，GPU 加速）。

本地 whisper 尺寸：tiny / base / small / medium / large-v3 / large-v3-turbo（turbo 更快、精度略低于 large-v3）。

设备：whisper 会自动检测 CUDA（装了 torch+CUDA 就用 GPU，否则回退 CPU）；macOS 的 GPU 用 mlx-whisper。CLI transcriber download 用 CPU 只是因为它只下载权重、不推理（device 参数不影响下载结果）。

没有 LLM API key？

  • 本地免费：装 Ollama 并 ollama pull llama3。内置 ollama 供应商已预置（http://127.0.0.1:11434/v1，无需 key），list_models("ollama") 有模型即可用。
  • 免费额度：Groq / DeepSeek 等有免费 tier，注册后 providers set 填 key。
  • 对 agent 说「我没有 LLM key」，它会先查 Ollama 是否可用，再引导你注册。

使用

给 agent 用（Claude Code 等）

对 agent 说「给这个视频做笔记」+ 链接即可，标准流程：

  1. health_check —— 确认 FFmpeg / 数据库就绪；
  2. list_providers —— 确认供应商 key=已填（看不到明文）；没有就先用 CLI 配；
  3. generate_note(video_url=..., provider_id=..., model_name=...) —— 拿 task_id；
  4. get_task_status(task_id) 轻量快照轮询，等到 SUCCESS/FAILED/CANCELLED（任务一次只发一个，server 有进行中任务时会拒绝新提交；不要并行塞多个 generate_note）；
  5. 拿到 result.markdown 后，agent 自己阅读 Markdown 回答你的问题 —— 不需要额外 RAG；
  6. 问你是否要根据笔记 + 提取的字幕（result.transcript）做后续优化（补齐细节/修正不一致/增强结构）—— agent 侧精修，不新增工具。

全自动 / 手动模式 + AGENT 直接生成

任务开始时 agent 会先问「全自动」还是「手动」：

  • 全自动：用 setup ③ 的默认解析出完整参数清单（生成方式/LLM 模型（或选 AGENT 直接生成）/ default_style（默认 detailed）/ 视频理解默认 / 评论默认 / 截图默认 / 生成后是否后续优化），一次性列给用户确认、不逐个问；用户要改某项再以提问方式改，确认后 generate_note 不传 style / screenshot / video_understanding / include_comments / agent_direct 即套默认。「AGENT 直接生成」在选 LLM 模型阶段提供（默认用配置 LLM）。
  • 手动：逐个确认参数（LLM 模型、笔记风格、视频理解、评论/弹幕、截图、是否 AGENT 直接生成），确认完再生成。

AGENT 直接生成（agent_direct）：在选 LLM 模型阶段提供选项 —— 手动模式问「用哪个模型，还是 AGENT 直接生成」；全自动模式默认用配置 LLM，可在参数清单里改选。开启后不走配置的 LLM，由 agent 自己写笔记：

  1. prepare_note_material(video_url, video_understanding?, video_interval?, include_comments?, comments_limit?) → task_id；
  2. get_task_status(task_id) 轮询到 SUCCESS → 拿到素材包（result.transcript.full_text 完整转写、result.frames 抽帧图、result.comments_danmaku 评论/弹幕）；
  3. agent 读转写 / 用 Read 看图 → 自己生成 Markdown（问风格，默认 detailed；有评论/弹幕时笔记含「观众观点」章节）→ 呈现。

转写过长（如 2h 视频）时按章节分段精修或让用户指定重点。其余流程（health_check / validate_url / 轮询 / 后续优化）与常规一致。

手动工具速查（非敏感配置）

想做什么 用哪个工具
看供应商 / 给内置填 key list_providers（key 掩码） / CLI providers set
看 / 加模型 list_models(provider_id) / add_model(provider_id, "deepseek-chat")
检测连接 / 设默认模型 bilinote-mcp providers test <id> [--default MODEL]（非交互；向导内走「管理 → 检测连接」）
本地转写 set_transcriber("fast-whisper", "small") + download_transcriber_model("small")
云端转写 set_transcriber("groq")（groq 的 key 用 CLI 填）
B 站需登录内容 set_downloader_cookie(platform="bilibili", cookie="SESSDATA=...")
本地文件 generate_note(video_url="/绝对/路径/a.mp4", platform="local", ...)

涉及 key 的操作一律走 CLI（对话外），工具只做非敏感配置 —— 见安全说明。

进阶：视频理解（画面切片）

想让 agent 按时间间隔抽视频画面发给多模态 LLM（如 qwen-vl / gpt-4o）做「看画面」的理解，generate_note 直接支持：

generate_note(video_url=..., provider_id="qwen", model_name="qwen-vl-plus",
              video_understanding=True, video_interval=6, grid_size=[3, 3])
  • 每 video_interval 秒抽一帧，按 grid_size 拼成网格图，以 base64 内嵌发给 LLM；
  • 需多模态（vision）模型，deepseek-chat 等纯文本模型不支持；
  • grid_size 缺省自动 [3, 3]（format=["screenshot"] 截图模式为 [2, 2]）；
  • 默认值可在 setup ③ 配置（默认关 / 6s）：agent 未显式传 video_understanding / video_interval 时自动套用（手动模式下 SKILL 仍要求先问用户本次是否启用 + 间隔，只有用户说「你定/用默认」才用默认值；全自动模式套默认（先列出参数清单待确认））；
  • 想在 markdown 里按 *Screenshot-mm:ss 标记插单张截图，用 format=["screenshot"]（区别于整片帧网格）。

进阶：整合弹幕+评论区观点

想让笔记把 B 站弹幕和评论区的高频观点也整理进去（哪些弹幕刷屏、评论区在聊什么），generate_note 加：

generate_note(video_url=..., ..., include_comments=True, comments_limit=20)
  • 整合弹幕+评论区观点，让笔记不仅来自音轨，还能反映观众讨论；
  • 笔记会新增一节「观众观点」：总结弹幕刷屏/评论区反复出现的观点、补充、纠错（引用实际内容，不捏造）；无可总结时写「（无）」；
  • comments_limit 控制抓取的评论条数（默认 20）；
  • 需 B 站 SESSDATA（登录态）：没配则评论拿不到 —— 先 bilinote-mcp login bilibili 扫码（或 set_downloader_cookie(platform="bilibili", cookie="SESSDATA=...")）；
  • 抓取失败不阻断任务：拿不到评论/弹幕时笔记照常生成，跳过该部分即可；
  • 只想单独拉数据看，用 fetch_comments(video_url, limit=20) / fetch_danmaku(video_url) 两个工具；
  • 默认值可在 setup ③ 配置（默认关 / 20条）：agent 未显式传 include_comments / comments_limit 时自动套用（手动模式下 SKILL 仍要求先问用户本次是否整合，只有用户说「你定/用默认」才用默认值；全自动模式套默认（先列出参数清单待确认））。

进阶：图片插入（便携笔记）

想让笔记带截图、且能整体搬迁，generate_note 加：

generate_note(video_url=..., provider_id=..., model_name=..., screenshot=True, format=["screenshot"])
  • 产出便携笔记：note_dir/note.md + note_dir/Assets/*.jpg，markdown 里用相对引用 ![...](Assets/xxx.jpg)；
  • 任务结果里 result.note_dir 指向该目录（agent 会告诉你笔记和图片在哪）；
  • 保存位置优先级：generate_note(..., notes_dir="/你/指定/的目录") → BILINOTE_NOTES_DIR 环境变量 → 默认 note_results/{task_id}/；
  • 指定了 notes_dir 时，每篇笔记一个文件夹：<notes_dir>/<笔记标题>/note.md（标题取 LLM 生成的笔记 H1，回退视频标题；冲突自动加短 task_id 后缀）—— 即使不插图片也会写文件（适合「生成笔记到某文件夹」，且多篇互不覆盖）；
  • 前提：screenshot=True 让 LLM 在笔记里生成 *Screenshot-[mm:ss] 标记，format=["screenshot"] 负责替换成图片；配视频理解（video_understanding=True）时画面理解与截图更自然。

进阶：清理与存储（cleanup）

任务产生的文件（下载的视频/音频、转写、截图、临时文件）会堆积占存储。AGENT 可自助清理：

  • 先查后清：get_task_files(task_id) —— 列出该任务在磁盘上相关的文件/目录（manifest 记录 + {task_id}* 前缀扫描），返回 {task_id, manifest_paths, existing}。
  • 按任务清理：cleanup_note(task_id, include_note=False) —— 删该任务中间产物（视频/音频/转写/截图/dl_{task_id}/），默认保留最终笔记 note.md；include_note=True 连笔记一起删。
  • 全局清理（恢复出厂）：cleanup_all(include_config=False, include_models=False) —— 清空 note_results/*、static/screenshots/*、logs/*；默认保留 config/（LLM key / cookie / 转写设置）与 models/（模型可复用、重下成本高），include_config=True / include_models=True 才一起清。数据库记录（bili_note.db）不动。

安全：只删 manifest 记录 / 明确前缀模式的文件，删除前 resolve() 校验在数据目录内（防路径穿越），失败逐条跳过并返回统计。

工具参考

工具 说明
generate_note 提交视频 URL，异步生成笔记，返回 task_id（支持视频理解 + 图片插入便携笔记 + extras 自定义风格，见使用说明）
prepare_note_material 只跑下载/转写/抽帧/评论，不调用配置 LLM；返回素材包（transcript.full_text / frames / comments_danmaku），供 AGENT 直接生成笔记（见全自动 / 手动模式 + AGENT 直接生成）
get_task_status / wait_for_note 轮询任务进度 / 阻塞等待最终 Markdown
cancel_note 取消进行中/排队的任务（协作式，下一阶段边界生效）
list_providers / add_provider / update_provider 查看（掩码）/ 新增 / 更新供应商（填 key 建议走 CLI）
list_models / add_model 查看（实时/回退本地）/ 手动添加模型
get_transcriber_config / set_transcriber 查看 / 切换转写引擎（本地 whisper ↔ 云端 groq）
list_transcriber_models / download_transcriber_model whisper 模型管理
health_check FFmpeg / 数据库 / whisper 就绪状态
validate_url 判断视频链接属于哪个平台
set_downloader_cookie 设置平台 Cookie（如 B 站）
fetch_comments / fetch_danmaku 抓取 B 站视频评论 / 弹幕（fetch_comments(video_url, limit=20) / fetch_danmaku(video_url)，需 SESSDATA）
get_task_files / cleanup_note / cleanup_all 查看任务占用文件 / 按任务清理（默认保留最终笔记）/ 全局清理（恢复出厂，默认保留配置与模型），见清理与存储

环境变量（可选）

变量 作用 默认
BILINOTE_DATA_DIR 数据根目录（SQLite / 笔记 / 截图 / 配置） 安装模式 ~/.local/share/bilinote-mcp，源码 仓库/data
BILINOTE_NOTES_DIR 默认笔记输出目录（指定 notes_dir 时的兜底） note_results/{task_id}/
BILINOTE_CONFIG_DIR 配置文件目录（转写/cookie/app 配置） <数据目录>/config
BILINOTE_MODEL_DIR whisper / mlx 模型目录 <数据目录>/models（源码 仓库/models）
BILINOTE_MAX_WORKERS 单个 MCP 会话内并发笔记任务数 3
HF_ENDPOINT HuggingFace 镜像（国内下载慢/卡时用） 官方 https://huggingface.co；国内可 https://hf-mirror.com

会话内串行 + 多会话并行：每个 Claude Code 会话独立起一个 MCP server 进程。本会话内任务强制串行 —— generate_note 在已有进行中任务时会直接拒绝（必须一次一个：提交 → 等到 SUCCESS/FAILED/CANCELLED → 再提交下一个）；多个会话可各自并行生成不同视频的笔记（互不干扰）。注意：Claude Code 客户端对「同一条消息里多个并行 MCP 工具调用」处理不稳（最后一个响应会卡死、任务也未提交）—— 所以即使跨任务，也不要在同一消息里并行塞多个 generate_note。多任务轮询请用轻量 get_task_status(task_id) 快照轮询；wait_for_note 是阻塞调用，会卡住当前轮次。需要取消进行中任务用 cancel_note(task_id)。注意：whisper / MLX 转写吃 CPU/内存，太多会话并行会拉满机器；所有会话共用同一个 SQLite，极端并发下可能偶发写冲突。

更新

各安装方式的更新命令：

装的什么 更新命令
MCP server（uvx / 插件） ✅ 自动更新（每次会话查最新 commit），无需手动
Skill / 插件 claude plugin marketplace update bilinote + claude plugin disable bilinote@bilinote + claude plugin install bilinote@bilinote
uv tool install 装的 CLI（bilinote-mcp） uv tool upgrade bilinote-mcp（保留 --with mlx-whisper 等附加依赖）
源码 / install.sh git pull && ./install.sh

Skill/插件三步各有用：① marketplace update 拉最新 commit；② disable 让 install 不跳过；③ install 重装到最新。缺任一步都可能用旧版（install 单独会被「已安装」跳过）。

安全（API Key）

红线：不要在对话里把 key 发给 agent。 agent 的对话内容会发送到它的 LLM 上游，key 一旦出现在对话里就等于交给了上游。key 一律在独立终端走 CLI（! 前缀的命令文本也在对话里，同样不行）：

bilinote-mcp providers set deepseek --api-key 'sk-你的key'      # 独立终端执行
bilinote-mcp providers list                                     # 查看（key 掩码）
  • agent 只需要知道「key 填没填」：list_providers 返回掩码（sk-S***cdef），add/update 工具不回显 key，相关日志已打码。
  • 存哪：key 只存在本地 SQLite（~/.local/share/bilinote-mcp/bili_note.db 或源码 data/），已 gitignore，不会进 GitHub。
  • 提醒：key 以明文存在本地数据库（与上游 BiliNote 一致）。若机器可能被他人使用，建议后续用系统 keychain 加密存储。

Skill

仓库自带 Claude Code Skill —— skills/bilinote/SKILL.md，它教 agent 用上面的流程一句话完成「视频 → 笔记」（触发词：「生成视频笔记」「帮这个视频做笔记」「从 XX 链接做笔记」）。核心 SKILL 精简为「强制规则 + 工作流」，工具接口 / 配置 / 故障排查在 skills/bilinote/reference/ 下（agent 需要时按需 Read）。

通过插件 marketplace 安装（同时装好 Skill 与 MCP server）：

claude plugin marketplace add HuangYincan/BiliNote-MCP
claude plugin install bilinote@bilinote

装好后重启会话（或 /reload-plugins），对 Claude 说「帮我给这个视频做笔记」+ 链接，Skill 自动触发并驱动 MCP 工具。

文档

详细中文文档见 docs/：

开发流程

  • 日常开发在 dev 分支：功能分支 → PR → dev（CI 必须绿）；
  • 发布：dev 稳定后 → PR dev → main（CI + review 通过才合）→ 打 vX.Y.Z tag → Release workflow 自动发 GitHub Release；
  • main 有分支保护：直接 push 被拒，只接受 PR 合入 —— 保证 main 永远可用（uvx --from git+ 安装直接拉 main）；
  • 稳定安装用 tag：uvx --from git+https://github.com/HuangYincan/BiliNote-MCP@v0.1.0 bilinote-mcp（追新去掉 @v0.1.0）。

开发版（dev 分支尝鲜）

dev 分支有未发布的新功能（尝鲜/测试用）。想提前用 dev（从 main 切到 dev）：

MCP 工具指 dev（覆盖插件的 main MCP）：

claude mcp remove bilinote                                 # 如果先前在 main：先移除插件默认的 main MCP，再覆盖成 dev（同名 add 才能生效）
claude mcp add --scope user bilinote -- uvx --from git+https://github.com/HuangYincan/BiliNote-MCP@dev bilinote-mcp

SKILL 也指 dev（marketplace 指到 dev 分支）：

claude plugin marketplace add HuangYincan/BiliNote-MCP@dev
claude plugin disable bilinote@bilinote
claude plugin install bilinote@bilinote

重启会话（或 /reload-plugins）生效。

已经 pin 到 dev 后，代码更新了：只需 claude plugin marketplace update bilinote（拉到 dev 最新 commit，ref: dev 会保留），再 disable + install；不用重新 add @dev。只有 marketplace 被切回 main 时才需要再 add ...@dev。

切回 main（稳定版）：

claude mcp remove bilinote                                   # MCP 恢复插件默认（main）
claude plugin marketplace add HuangYincan/BiliNote-MCP       # marketplace 回 main
claude plugin disable bilinote@bilinote
claude plugin install bilinote@bilinote
# /reload-plugins

CLI 用 dev（PATH 上的 bilinote-mcp 若是 main 固定版）：uvx --from git+https://github.com/HuangYincan/BiliNote-MCP@dev bilinote-mcp setup

注意：

  • dev 与 main 共用数据目录 ~/.local/share/bilinote-mcp/：LLM key / SESSDATA / 转写配置自动带过来，不用重配；但共用同一 SQLite，别两个同时跑任务。
  • marketplace 指 dev 会替换生产 marketplace（不并存），测完记得切回 main。
  • git+...@dev 是 uv/uvx 的分支 ref 语法；不带 ref 的默认安装拉的是 main（稳定）。
  • marketplace 指 dev 只换 SKILL；MCP 工具要手动 @dev 覆盖（marketplace.json 里的 uvx 无 ref，仍拉 main）。
  • dev 分支功能未发布，仅尝鲜/测试。

相关

  • 上游项目：https://github.com/JefferyHcool/BiliNote

Recommended Servers

playwright-mcp

playwright-mcp

A Model Context Protocol server that enables LLMs to interact with web pages through structured accessibility snapshots without requiring vision models or screenshots.

Official
Featured
TypeScript
Magic Component Platform (MCP)

Magic Component Platform (MCP)

An AI-powered tool that generates modern UI components from natural language descriptions, integrating with popular IDEs to streamline UI development workflow.

Official
Featured
Local
TypeScript
Audiense Insights MCP Server

Audiense Insights MCP Server

Enables interaction with Audiense Insights accounts via the Model Context Protocol, facilitating the extraction and analysis of marketing insights and audience data including demographics, behavior, and influencer engagement.

Official
Featured
Local
TypeScript
VeyraX MCP

VeyraX MCP

Single MCP tool to connect all your favorite tools: Gmail, Calendar and 40 more.

Official
Featured
Local
graphlit-mcp-server

graphlit-mcp-server

The Model Context Protocol (MCP) Server enables integration between MCP clients and the Graphlit service. Ingest anything from Slack to Gmail to podcast feeds, in addition to web crawling, into a Graphlit project - and then retrieve relevant contents from the MCP client.

Official
Featured
TypeScript
Kagi MCP Server

Kagi MCP Server

An MCP server that integrates Kagi search capabilities with Claude AI, enabling Claude to perform real-time web searches when answering questions that require up-to-date information.

Official
Featured
Python
E2B

E2B

Using MCP to run code via e2b.

Official
Featured
Neon Database

Neon Database

MCP server for interacting with Neon Management API and databases

Official
Featured
Exa Search

Exa Search

A Model Context Protocol (MCP) server lets AI assistants like Claude use the Exa AI Search API for web searches. This setup allows AI models to get real-time web information in a safe and controlled way.

Official
Featured
Qdrant Server

Qdrant Server

This repository is an example of how to create a MCP server for Qdrant, a vector search engine.

Official
Featured