Привет, Хабр! Уже несколько месяцев я в роли подопытного кролика автора работаю с редакцией МТС через их сервис TeamStream: через него мне приходят правки, «развивающая обратная связь» и мнение редактора о написанном тексте. Я рассказывал о первых впечатлениях и переходе на работу с короткими видеороликами. 

В рабочей видеотеке быстро наступает момент, когда записей становится больше, чем времени у людей. Созвоны, фидбэки, инструкции, разборы задач со временем превращаются в архив, который лежит мертвым грузом. MWS предлагает решить эту проблему через MCP: дать доступ к записям внутри TeamStream ИИ-ассистенту и позволить ему искать и обрабатывать нужные фрагменты. Что ж, отличный повод попробовать это в деле.

В этом посте покажу, как превратить видеотеку в рабочую базу знаний. Для этого разберу пять кейсов — от инвентаризации и поиска по содержанию до сводки сразу по нескольким записям. 

Зачем пускать к себе ИИ-ассистента 

Работа любой редакции держится на постоянном обмене информацией между автором и редактором. В нашем случае поверх комментариев в текстовом документе используются короткие видео в MWS TeamStream — облачном сервисе для записи экрана и обмена короткими видеосообщениями. У видео есть транскрипции и саммари, и можно ставить закладки и комментарии на нужные фрагменты.

В архиве с каждым днем копится информация о правках, уточнениях и проблемных моментах. А при наличие объема больших данных, появляется возможность собрать по ним общий контекст: выделить повторяющиеся комментарии, попробовать отследить динамику изменений и так далее.  Вручную на это тратить времени смысла нет, но можно дать доступ к видеотеке ИИ-ассистенту, чтобы он искал и сопоставлял информацию сразу по всем материалам. 

Для эксперимента редакция дала мне доступ к своему архиву в TeamStream. Это три пространства с 71 видео — от коротких роликов на несколько минут до получасовых записей:

Итак, в рамках нашего эксперимента я дал нейронке доступ ко всему массиву и буду постепенно усложнять задачи: сначала попрошу разобраться, что вообще лежит в видеотеке, затем искать информацию внутри записей, сопоставлять несколько роликов и, наконец, собрать из них готовый рабочий контекст.

Проверим, насколько хорошо все работает в моем хаотичном датасете (часто записанном на скорую руку).

Как ИИ получает доступ к видеотеке TeamStream 

MCP (Model Context Protocol) — это протокол, через который ИИ-приложение может обращаться к данным и функциям внешнего сервиса. 

После подключения ассистент получает прямой доступ к данным TeamStream в пределах прав конкретного пользователя. Он может видеть доступные пространства, ролики, авторов, даты и длительность записей, а также работать с транскриптами, саммари, просмотрами, комментариями, реакциями и ссылками на исходные видео. 

В TeamStream создается MCP-ключ — это нужно, чтобы безопасно дать определенному авторизованному ИИ-агенту доступ к инструментам и данным продукта и при этом контролировать, что именно агент может делать.

После чего сервер добавляется в Cursor (или Claude/Qwen). В моем случае на настройку ушло всего несколько минут: после подключения инструменты TeamStream появились внутри Cursor — и ассистент смог обращаться к видеотеке прямо из обычного чата.

Что вообще доступно ассистенту внутри TeamStream

MCP сам по себе работает как API между нейронкой и продуктом, где прописываются методы передачи данных. 

И если MCP действительно дает нейросети рабочий контекст команды, она должна понимать структуру доступных пространств и уметь ориентироваться в них без того, чтобы я вручную указывал конкретный ролик.

Я попросил Cursor показать все доступные пространства TeamStream, указать их ID, количество видео, число участников и мою роль.

Ассистент нашел три общих пространства:

• «Вечернее» — 24 видео

• «Вечернее 2» — 26 видео

• «Вечернее 3» — 21 видео

Итого: 71 ролик, что соответствует действительности:

Причем Cursor несколько раз обращался к MCP-инструментам и отдельно проверял, не обрезан ли результат (влияние пагинации и так далее). 

После общей инвентаризации перешел к более прикладной задаче.
Возьмем пространство «Вечернее 2» с 26 роликами и узнаем, какие данные по ним MCP способен отдать нейросети.

В TeamStream через MCP ассистент может работать с названиями видео, авторами, датами создания, а также их длительностью, транскриптами, саммари и в принципе с любыми данными, что зашиты внутри. 

Я попросил Cursor выгрузить весь каталог из пространства и показать основные метаданные по каждой записи.

Ассистент вернул все 26 роликов и для каждого указал название, дату, длительность и количество просмотров. Среди записей были и короткие ролики, и материалы продолжительностью больше двадцати минут. То есть уже на этом этапе можно получить структурированную картину пространства, не открывая каждую карточку вручную.

Но, само собой, скорость ответа будет существенно зависеть от выбранной ИИ-модели.

Поиск по содержанию видео 

Каталог — это удобно и в целом легко даже для простенькой модели, но сам по себе он не решает главную проблему видеотеки. 

Наша главная задача — понять, как хорошо ИИ ориентируется внутри ролика.
Поэтому следующий тест я построил так, чтобы Cursor не мог запросто ориентироваться по названиям записей. Попросил его найти материалы, связанные с роботизацией, автономным транспортом и автоматизацией логистики, и искать не только по заголовкам, но и по содержанию транскриптов.

В нашем датасете есть несколько очевидных кандидатов — «автономная логистика», «роботакси» и «роботы в аэропорту Токио». 

Но мне интереснее другое: сможет ли нейросеть найти дополнительные записи, где нужная тема встречается только внутри разговора и никак не отражена в названии.

Буду смотреть не только на количество найденных видео, но и на качество доказательств: есть ли у каждого результата ссылка, таймкод и фрагмент транскрипта, который действительно подтверждает релевантность.

Cursor нашел пять записей с подтвержденным совпадением по содержанию.
Помимо очевидной «автономной логистики», в выборку попали «смарт-коляски», «роботы и 5G», «Fugere 1» и «агентономика». Для каждого ролика ассистент объяснил связь с запросом, указал ID, таймкод и привел подтверждающий фрагмент транскрипта.

Причем степень релевантности он тоже различал. Например, «агентономика» попала в результаты из-за отдельного эпизода про роботов-доставщиков, хотя основная тема ролика другая. А «роботы в аэропорту Токио» были вынесены отдельно: роботизация в транскрипте действительно обсуждается, но конкретных упоминаний автономного транспорта или логистики ассистент не обнаружил.

Самый интересный случай — видео с названием «роботакси». Кажется, что оно должно попасть в результаты первым. Но Cursor сообщил, что соответствующих упоминаний в транскрипте и саммари не нашел, и пометил запись как кандидата, обнаруженного только по названию.

Ассистент может сопоставить запрос с содержанием роликов, а затем отделить подтвержденные результаты от приблизительных совпадений. А поиск по транскриптам и саммари с возможностью вернуться к конкретному фрагменту MWS и заявлялся как один из сценариев TeamStream MCP. Это меняет принцип поиска: вместо «в каком ролике это было?» можно спросить «где мы вообще это обсуждали?» и получить подборку конкретных мест в разных записях.

Разбираем одно видео 

Я сузил задачу до одного видео — «автономная логистика» из второго пространства.
Cursor сразу подтянул базовые метаданные: автора, длительность, дату публикации и ID видео. Затем по содержанию записи собрал краткое саммари и выделил основной тезис материала. С задачей ИИ справился.

Сама запись представляет собой видеофидбэк к черновику статьи и в саммари Cursor полностью восстановил логику замечаний редактора. Главная мысль, которую он выделил: автономная логистика уже прошла этап успешных пилотов, но дальше упирается не столько в технологические ограничения, сколько в среду для масштабирования.

Из ролика Cursor собрал несколько отдельных тезисов:

• Пилоты беспилотных грузовиков уже показывают рабочую технологию.

• Основная проблема начинается при попытке масштабировать такие системы.

• Барьеры можно разделить на регуляторные, инфраструктурные, экономические и социальные.

• И так далее.

В итоге девятиминутный видеофидбэк превратился в компактную структуру.

И это весьма полезный сценарий: не искать нужный ролик по названию, а быстро превращать уже найденную запись в рабочий контекст — тезисы, замечания и основные выводы. TeamStream MCP предоставляет ассистенту доступ к полной транскрипции и саммари видео.

При этом важно разделять сам источник и результат работы модели. Исходные данные приходят из TeamStream, а формулировка тезисов и итогового вывода уже создается самим ИИ. Поэтому для критичных решений лучше отдельно сохранять привязку к исходным видео и проверять существенные выводы.

Собираем контекст по нескольким видео 

Выжимка отдельного видео — это, конечно, удобно, но реальный рабочий контекст обычно размазан сразу по нескольким записям.

Чтобы проверить это на деле, я попросил Cursor проанализировать все видео из папки «Вечернее 2» за неделю (с 10 по 16 июля). В выборку попали шесть записей на час с лишним. 

На этом массиве Cursor попытался собрать общую картину того, чем жила редакция всю неделю. Интересно, что главной темой нейросеть назвала саму редакционную рутину вместо сюжетов статей: структуру текстов, логику аргументации, неудачные переходы и так далее.

Скажем, один частый паттерн: редактор из раза в раз обращал внимание на одну и ту же проблему: автор сначала выдает вывод — и только потом пытается его обосновать. Нейронка связала ошибку сразу с тремя текстами (про сопротивление ИИ, «серую массу» и автономную логистику).

Но ассистент не сваливал все проблемы в кучу. Он отлично разделил общие боли редакции и конкретные темы статей. Больше того, он понял, что два ролика по «многомерности» — это не две независимые темы, а просто два последовательных раунда правок одного текста.

Самым полезным оказался блок с открытыми вопросами. Из шести записей Cursor собрал единый список того, что нужно доделать или выяснить:

• Как не потерять фокус в статье про AI-free?

• Как проверить цифры по беспилотным грузовикам?

• Как увязать физику с литературой в тексте о многомерности?
  

В целом на выходе получился полноценный фоллоу-ап по итогам работы за неделю.

Ассистенту не нужно заранее указывать пальцем на конкретное видео — он может сам пройтись по записям, найти сквозные темы, отделить мух от котлет и выдать отличную рабочую сводку поверх всего массива. Это ровно тот сценарий, который описывает MWS: использовать MCP для фоллоу-апов, восстановления договоренностей и подготовки к встречам.

При этом (повторюсь) не стоит забывать, что результат — все равно лишь интерпретация языковой модели. Формулировки вроде «доминирует редакционная дисциплина» — это уже личный синтез Cursor.

Что по галлюцинациям 

До этого мы гоняли Cursor по запросам, на которые в TeamStream действительно находились подходящие материалы. Но для рабочего ассистента не менее важно другое: что он делает, когда правильного ответа в видеотеке просто нет.

Для проверки я выбрал пространство «Вечернее 3» и попросил найти видео, где обсуждаются квантовые компьютеры.

При этом он не ограничился поиском по заголовкам. Ассистент проверил все 21 видео, прогнал несколько вариантов запроса — от «квантовый» и «кубит» до quantum, посмотрел саммари и результаты поиска по транскриптам.

Отдельно он проверил несколько потенциально похожих записей — например, видео про суперкомпьютеры и вычислительные архитектуры. Но вместо того чтобы засчитать их как приблизительное совпадение, Cursor отметил, что речь там идет о другой теме и квантовые вычисления как таковые не обсуждаются.

Тест пройден успешно, и система повела себя корректно: вместо правдоподобной догадки она вернула отрицательный результат и объяснила, как его проверила.

Что умеет ИИ-слон в видеопосудной лавке

Через TeamStream MCP ИИ-ассистент работает со всей доступной видеотекой. Он может:

• увидеть структуру пространств;

• выгрузить каталог видео;

• искать по транскриптам и саммари;

• забирать из архива саммари отдельных роликов;

• формировать общее резюме по массиву записей;

• находить повторяющиеся темы сразу в нескольких видео;

• корректно сообщать, когда нужной информации нет.

ИИ-ассистент с доступом видеотеки превратится в рабочую базу знаний. И вы фактически предоставляете нейросети доступ к своему контексту, из которого можете создавать документы, задачи, отчеты, записывать звонки и собирать из них информацию, скажем, за всю неделю и делать нужные выводы. При использовании MCP с таск-трекером можно настроить автоматическое создание задач, и вообще делать все, чтобы разложить ваши данные и их понимание по полочкам.

Важный момент: нейросеть не  способна удалять или редактировать ваши видео в TeamStream, то есть вообще не способна как-то влиять на предоставленные данные — только работать на их основе, так что за безопасность можно не переживать.

Результат все еще зависит от модели и требует проверки выводов, но накопленный видеоархив станет рабочим инструментом, который позволит увидеть проблемы на повторе и какие задачи остались открытыми, а также многое и многое другое.