МТС развивает интеграцию своего видеосервиса TeamStream с ИИ-ассистентами через протокол MCP. Автор на Хабре, работающий с редакцией МТС, получил доступ к архиву из 71 видео и проверил, насколько эффективно нейросеть справляется с поиском и анализом записей. Эксперимент охватил пять сценариев: от инвентаризации видеотеки до составления сводок по нескольким роликам.
TeamStream — облачный сервис для записи экрана и обмена короткими видеосообщениями. В рабочей видеотеке быстро наступает момент, когда записей становится больше, чем времени у людей. Созвоны, фидбэки, инструкции и разборы задач превращаются в архив, который лежит мертвым грузом. 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 видит пространства, ролики, авторов, даты и длительность записей, а также работает с транскриптами, саммари, просмотрами, комментариями и реакциями.
| Пространство | Количество видео |
|---|---|
| «Вечернее» | 24 |
| «Вечернее 2» | 26 |
| «Вечернее 3» | 21 |
Для эксперимента редакция дала автору доступ к своему архиву. Это три пространства: «Вечернее» — 24 видео, «Вечернее 2» — 26 видео, «Вечернее 3» — 21 видео. Итого 71 ролик. В TeamStream создается MCP-ключ, чтобы безопасно дать авторизованному ИИ-агенту доступ к инструментам и данным продукта и контролировать его действия. Сервер добавляется в Cursor, Claude или Qwen. На настройку ушло несколько минут: после подключения инструменты TeamStream появились внутри Cursor, и ассистент смог обращаться к видеотеке прямо из чата.
Первый сценарий — инвентаризация. Автор попросил Cursor показать все доступные пространства, их ID, количество видео и участников. Ассистент нашел три пространства с 71 роликом, что соответствует сти. Причем Cursor несколько раз обращался к MCP-инструментам и проверял, не обрезан ли результат из-за пагинации. Второй сценарий — выгрузка каталога. Для пространства «Вечернее 2» ассистент вернул все 26 роликов с названиями, датами, длительностью и количеством просмотров. Уже на этом этапе можно получить структурированную картину пространства, не открывая каждую карточку вручную.
Третий сценарий — поиск по содержанию. Автор попросил найти видео, где обсуждаются правки текста. Ассистент использовал транскрипции и саммари, чтобы отобрать релевантные записи. Четвертый сценарий — сопоставление нескольких роликов. Нейросеть сравнила обсуждения одной темы в разных видео и выделила повторяющиеся замечания редактора. Пятый сценарий — сводка по архиву. Ассистент собрал общий контекст по всем записям, выделив динамику изменений и проблемные моменты.
Скорость ответа существенно зависит от выбранной ИИ-модели. В эксперименте использовался Cursor, но автор отмечает, что интеграция работает и с другими ассистентами. MCP позволяет нейросети получать рабочий контекст команды, не требуя ручного указания конкретного ролика. Это превращает видеотеку в базу знаний, доступную для анализа.
Ограничения эксперимента: автор работал с хаотичным датасетом, часто записанным на скорую руку. Тем не менее, результаты показывают, что MCP-интеграция TeamStream может быть полезна для редакций и команд, которые накапливают видеоархивы. Остается вопрос, насколько безопасно давать ИИ-ассистенту доступ к корпоративным данным, но MCP-ключи позволяют контролировать права агента.
