实战：UP 主监控器HERMES & AGENT ENGINEERING · 课时 07

7.1 我们要做什么

你关注的 UP 主越来越多，每天打开 B 站一看，几十个视频堆在那里，根本看不过来。

与其自己一个个点进去看，不如让 Agent 帮你盯着：

如果某 up 主有新视频 → 提取字幕 → 生成摘要 → 推送给你

你只需要看摘要，感兴趣再去刷原视频。

这个流程涉及三个能力：

• Computer Use / CDP：连接浏览器，访问 UP 主的个人主页，检测有没有新视频
• 字幕提取：对新增视频提取字幕（之前在抖音章节学过）
• 定时任务：让 Hermes 每天/每小时/自定义时间自动跑一遍这个流程

7.2 核心流程

整个流程分三步：

第一步：检查更新。 Hermes 连接你的浏览器，打开"特别关注"分组，获取分组里的 UP 主列表（注意 B 站的关注列表会分页，需要翻页才能拿全），然后依次访问每个 UP 主的主页，看一下最近发布的视频列表，判断有没有 24 小时内的新视频。这一步很快，因为只需要看视频列表的时间戳，不需要进入视频页面。

第二步：提取摘要。 发现新视频后，Agent 提取视频的字幕内容，然后用大模型生成一段 100 字左右的摘要。B 站提取字幕比抖音简单得多，但也有一些坑，具体我们在下一节讲。

第三步：推送通知。 把所有新视频的摘要整理成一份日报，发送到飞书或者其他你常用的渠道。

7.3 难点解析：B 站字幕提取

之前章节在处理抖音视频时，提取字幕是一件比较麻烦的事。绝大多数抖音视频无法直接获取字幕数据，我们需要让浏览器播放视频，然后通过 ASR 音频流反向识别出文字。这个过程需要实际播放视频，耗时长，而且识别结果不一定准确。只有少部分抖音视频可以直接获取到字幕。

B 站不一样，B 站相对来说比较开放。B 站的视频页面上直接嵌入了字幕的 JSON 数据，分为两种来源：UP 主上传的 CC 字幕（人工校对，质量高）和 AI 自动生成的字幕（语音识别转写，大部分视频都有）。不管哪种，Agent 都可以直接从页面数据里拿到完整的文本，不需要播放视频，不需要 ASR，拿到就是文字。

这个差异在批量处理时尤其明显。如果要监控十几个 UP 主的新视频，用 B 站的方式，几秒钟就能拿到所有字幕；用抖音的方式，每个视频都要播放一遍，时间成本完全不在一个量级。

字幕不是万能的：实测数据

不过"直接从页面拿字幕"这个说法容易让人产生误解，以为所有视频都能拿到字幕。实际上不是这样的。

我从 B 站热门榜随机抽了 10 个视频，逐一测试字幕抓取，结果如下：

• 7 个视频成功拿到 AI 中文字幕，覆盖率都在 95% 以上
• 3 个视频根本没有字幕，不管是 B 站的哪个 API 都拿不到

那 3 个拿不到字幕的视频有什么共同点？直播回放、vlog、娱乐解说类内容。这类视频 B 站没有为其生成 AI 字幕，换什么方法都没用。

换句话说，大约 30% 的视频（不准确，样本少）天生没有字幕。这不是技术问题，是 B 站本身的覆盖范围限制。做 UP 主监控器，你必须接受这个现实。既然无法拿到字幕，就应该有相应的降级方案。

之所以在这里讨论这个问题，而不是直接给出方案，其实是想告诉大家，当你遇到问题时，可以让 Hermes 去帮你做数据分析，给出方案：当我发现部分视频字幕获取失败时，就是让 Hermes 这么做的。

这个案例的分析例子很简单，但它在一定程度上说明了，在AI 时代，以前需要耗费很多精力去攻克的问题，现在可以很简单地解决。AI 当然不是任何场景都是万能的，但我认为AI 对于普通人来说，在某个领域就是万能的，但可能你想不到怎么用它。

技术路径：哪个 API 能用？

回到正题，怎么尽可能多地拿到原生字幕？

B 站提供了多个和视频相关的 API 端点，但不是所有都能拿到字幕的下载地址。我实测了几种路径：

/x/player/wbi/v2（推荐）。这是 B 站当前播放器实际加载字幕用的接口，返回的 subtitle_url 可以直接 curl 下载字幕 JSON。但有一个前提：必须带 CDP 浏览器的登录态 cookie。裸 curl 不带登录态的话，这个接口不会返回字幕 URL。

/x/player/v2（备选）。旧版播放器接口，对同一个视频返回的字幕文件路径和 wbi/v2 完全一样，只是 auth_key 不同。能用，但 wbi/v2 是 B 站当前播放器实际使用的权威版本，优先用它。

/x/web-interface/view（只能查有无字幕）。这个接口返回视频元数据，包含字幕列表和 ai_status 字段，但没有字幕的下载 URL。适合做第一步筛查——先看看这个视频有没有字幕，再决定要不要去调 wbi/v2。

裸 curl（无 CDP）。完全不可行。/x/player/wbi/v2 需要登录态，裸 curl 拿不到字幕 URL。

还有一个容易踩的坑：字幕 URL 里的 auth_key 参数有时间戳验证，获取后大约 5-10 分钟就过期。必须拿到 URL 立刻 curl 下载，不能存起来回头再用。

这些问题，如果以前手工写代码去分析，是很花时间的。但现在这些问题，Hermes 大概不到 10 分钟就给出了解决方案。

写到这里，我想起来，Anthropic 的 Mythos（Claude Mythos Preview）出来时有提到，这个模型扫出了很多知名开源软件的漏洞。这也许不是危言耸听。

推荐的实战流程

理论上，拿到完整的字幕后再让 LLM 做摘要，效果最好。我们会尽全力去拿字幕——能通过 API 直接获取就 API 拿，实在不行也可以像之前抖音那样，播放一遍后录屏转字幕。

但我们得考虑成本。逐视频播放录屏转字幕，开销不小。而我们的需求其实很多时候只是想看一下有没有更新、更新的大致内容是什么，并不需要完整的逐字稿。既然成本高于需求，那就降级，选择更轻量的方案。 根据实测结果，我推荐这样的字幕提取流程：

1. CDP 调 /x/web-interface/view → 获取 bvid、cid、字幕是否存在
2. 没有字幕 → 直接用视频标题和简介做摘要（这些视频到此为止）
3. 有字幕 → CDP 调 /x/player/wbi/v2 → 拿 subtitle_url
4. 立即 curl 下载字幕 JSON → 检查段数和覆盖率
5. 覆盖率太低 → 等 5-10 分钟重试（B 站可能刚推送转录结果）
6. 重试仍不合格 → 降级用视频标题和简介

一句话总结：wbi/v2 + CDP 登录态是唯一可行的完整路径。大约三成视频天生没字幕，这时候降级用视频描述就好。

7.4 监控范围：不要监控所有人

B 站重度用户可能关注了几百个 UP 主。理论上 Agent 可以一个个去检查，但这会非常消耗 Token，一次跑下来可能要几分钟甚至更久。

更实际的做法是：只监控一个分组。

你可以在 B 站把想重点关注的 UP 主放进"特别关注"分组，也可以自己创建一个新分组（比如叫"我的阿婆主"）。这样 Agent 每次只需要检查这个分组里的十几个人，速度快、Token 消耗也小。

下面的提示词我们就以"特别关注"分组为例。

7.5 怎么写提示词？

打开 Hermes，把下面这段提示词直接发给它（把 xxxxx 换成你自己的 B 站 UID）：

完成以下任务，只做一次：

1. CDP 连接我的Chrome浏览器，打开我的 B 站"特别关注"分组页面
   （https://space.bilibili.com/xxxxx/fans/follow?tagid=分组ID），
   获取这个分组里的所有 UP 主。
   注意：关注列表可能会分页，需要翻页获取完整列表。

2. 依次访问每个 UP 主的个人主页
   检查他们在过去 24 小时内是否发布了新视频。

3. 对于每个新视频，按以下流程提取内容：
   a. 先用 CDP 调 B 站 /x/web-interface/view 接口，
      检查这个视频是否有字幕（看 subtitle 字段是否为空）。
   b. 如果有字幕，用 CDP 调 /x/player/wbi/v2 接口获取字幕下载 URL，
      然后立即 curl 下载字幕 JSON（URL 有时效性，约 5-10 分钟过期，必须马上下载）。
      拿到字幕后，用字幕内容生成摘要。
   c. 如果没有字幕，直接读取视频的标题和简介，用这些信息生成摘要。

4. 把所有新视频的结果整理成一份日报，格式如下：
   - UP 主名称
   - 视频标题
   - 视频链接
   - 内容摘要（约 100 字，来源标注：字幕/视频简介）
   - 来源：字幕/视频简介

5. 把这份日报通过微信发送给我。

这段提示词最大的变化是在第 3 步加入了字幕抓取的完整流程和降级策略。Agent 不再是无脑去抓字幕，而是先判断有没有，有就抓 wbi/v2，没有就用视频简介兜底。

Hermes 会按照这个描述，用浏览器操作能力依次检查每个 UP 主。关键是把流程说清楚，让 Agent 知道每一步该做什么、做完之后把结果送到哪里。

我的测试结果：

7.6 优化建议

上面的提示词会让 Agent 提取每个新视频的完整字幕来做摘要。这对大多数视频来说没问题，但如果你关注的 UP 主经常发 30-40 分钟的长视频，完整字幕可能有上万字，全部喂给大模型做摘要会比较消耗 Token。

两种更省的做法：

只取部分字幕。 大部分视频的核心内容都在开头，让 Agent 只取字幕的前 500-1000 行做摘要，Token 消耗很小，效果也够用。

直接用视频简介。 如果你只是想知道 UP 主有没有更新、大概讲了什么，其实就没必要抓字幕了。很多 UP 主会写比较详细的视频简介，直接拿这个做摘要，性价比最高。提示词里把"提取字幕"改成"读取视频简介"就行。

我个人认为，字幕更适合用来留存技术类或高价值内容，把字幕提取出来，加入到自己的知识库，随时翻阅。但如果只是想简单了解一下信息、提醒自己是否感兴趣，视频简介足够了。

7.7 ■ 学点英语