Когда Андрей Карпати (один из основателей OpenAI) рассказал, что за два часа навайбкодил свой собственный YouTube — нашлись люди, которые принялись над этим шутить:

"Очередной вайбкодер собрал свой YouTube за два часа? Ха-Ха! Сделать сайт с кадрами из видео и встроенным плеером — не значит создать аналог платформы с миллиардной аудиторией, рекомендательными алгоритмами и огромной инфраструктурой"

И формально они правы. Карпати действительно не создавал новый YouTube. Но большинство упустило главное: Карпати вскрыл огромную проблему ютуба, когда ваша лента меняется до неузнаваемости после просмотра нескольких роликов. И на своем примере показал, как любой из нас теперь может построить собственную систему рекомендаций поверх существующей платформы и использовать это для своих задач, бизнеса или комьюнити.

Вдохновившись я создала TheBold Hub — систему видеорекомендаций для фаундеров и it-энтузиастов. Система собирает англоязычные видео с YouTube, отбирает и классифицирует их с помощью AI, формирует персональную ленту и позволяет обсуждать ролики внутри профессионального сообщества.

В этом материале я расскажу какой стек инструментов использовала, хитрости и подводные камни и, конечно, сколько стоит обслуживание такой системы.

Xy5wbmc.webp

TheBold Hub - скриншот главной страницы

Что на самом деле сделал Андрей Карпати

Началось все с того, что Андрей Карпати сел посмотреть что-нибудь интерсное и полезное на YouTube. Но вместо интересных видео про технологии, главная страница оказалась заполнена однотипными роликами и кликбейтными обложками.

В этот момент он и решил сделать альтернативную систему рекомендаций.

В качестве источника использовал Hacker News — сообщество разработчиков, предпринимателей и технологических энтузиастов. Карпати взял архив из 43 миллионов комментариев, опубликованных почти за 20 лет, и с помощью Claude нашел примерно 40 тысяч комментариев, в которых пользователи рекомендовали друг другу видео. Из них получился каталог из 6454 роликов по 150 темам. Так появился HackerTube.

При этом видео по-прежнему воспроизводятся через YouTube. Карпати не создавал собственный видеохостинг, не хранит ролики на своих серверах и не разрабатывал отдельную систему потоковой передачи видео.

Он изменил то, как пользователь находит контент.

По словам Карпати, первая версия заняла у него около двух часов. Подробнее он описал процесс в своем блоге.

dS5wbmc.webp

Пост Карпати в Х

Мне кажется, главный результат этого эксперимента не в том, что теперь можно быстро написать интерфейс видеокаталога.

Гораздо интереснее сама возможность использовать инфраструктуру крупной платформы, но самостоятельно определять, какой контент показывать пользователям.

Почему мне перестали подходить рекомендации YouTube

Я много смотрю на YouTube контента о стартапах, предпринимательстве, технологиях, венчурных инвестициях, маркетинге и growth hacking.

Это интервью с фаундерами, выступления инвесторов, разборы бизнес-моделей, лекции по продуктовой разработке и материалы с технологических конференций. Но YouTube для меня не только рабочий инструмент. Иногда я просто хочу отдохнуть и посмотреть что-нибудь развлекательное. Иногда — совершенно бессмысленное. Иногда — guilty pleasure, которым не особенно хочется делиться с окружающими.

Стоит провести несколько вечеров за таким контентом, как главная страница YouTube заметно меняется. Вчера мне предлагали интервью с фаундерами, сегодня — распаковки сумок Birkin. И алгоритм вроде бы ведет себя логично: учитывает мои последние просмотры и пытается угадать, что мне захочется посмотреть следующим.

Но профессиональные интересы у меня никуда не исчезли. Я по-прежнему хочу знать, какие новые интервью вышли у интересных мне предпринимателей и что прямо сейчас обсуждают инвесторы. Просто теперь приходится открывать отдельные каналы, проверять подписки или специально искать нужные видео. В какой-то момент мне захотелось разделить эти сценарии.

Пусть YouTube продолжает развлекать меня своими рекомендациями. Но для профессиональных задач я хочу отдельное пространство, где контент отбирается по интересам, связанным со стартапами.

Причем не просто список ссылок, а полноценную платформу: с собственными рекомендациями, возможностью сохранять видео, продолжать просмотр и обсуждать материалы с людьми из того же сообщества.

Как устроен TheBold Hub

По сути TheBold Hub — это система рекомендаций для стартап-комьюнити: фаундеров, инвесторов, специалистов технологических компаний и людей, которые интересуются развитием стартапов.

Главный принцип — использовать YouTube как источник контента, но самостоятельно управлять его отбором, классификацией и рекомендациями.

Пайплайн работает как фоновый процесс на сервере, отдельно от сайта, и состоит из нескольких этапов:

  1. Сбор. Новые ролики приходят из трех источников: отобранных YouTube-каналов, Hacker News и поиска YouTube.

  2. Жесткие фильтры. Дешевые проверки кодом отсекают очевидно неподходящее до любого обращения к AI.

  3. Решение модели. Decision-модель отвечает на набор вопросов о ролике, а правило в коде превращает ее ответы в одно из трех решений: опубликовать, отклонить или отправить человеку.

  4. Ранжирование. Опубликованные видео сортируются по формуле: популярность, вовлеченность, обсуждение на Hacker News, качество и свежесть.

  5. Персонализация. Лента подстраивается под действия конкретного зрителя.

Ni5wbmc.webp

TheBold Hub: пример видео в категории Applied AI

Шаг 1. Собрала источники: каналы, Hacker News и поиск

Основа — база проверенных YouTube-каналов. Стартовый список, который я собрала вручную, — окло 200 каналов: акселераторы, венчурные фонды, технологические конференции, предприниматели, авторы профессиональных интервью и образовательные проекты.

Сам подбор источников занял больше времени, чем первоначальная разработка приложения.

Найти качественный канал — не то же самое, что найти канал со словом startup в названии. Нужно понять, насколько интересны его материалы, кто их авторы и насколько регулярно там появляется полезный контент.

Но даже качественные каналы не всегда публикуют только то, что подходит аудитории TheBold Hub. Для таких каналов я ставлю в админке отметку «проверять каждое видео строже»: ролик с такого канала публикуется автоматически, только если модель уверена в его релевантности хотя бы на 90%, а не на обычные 80%.

Кроме каталога заранее одобренных каналов, я, как и Карпати, использую Hacker News. Система раз в час забирает новые посты HN со ссылками на YouTube, а историю за прошлые годы можно догрузить отдельным запуском. Количество авторов, упомянувших ролик, очки и число комментариев в обсуждении потом участвуют в ранжировании.

Но здесь мой опыт разошелся с подходом Карпати. Ссылки из комментариев HN я в итоге отключила как самостоятельный источник: они заполняли очередь модерации шумом. Видео, о котором известно только по ссылке в чьем-то комментарии, система отклоняет. Ролик, вынесенный в отдельный пост, проходит дальше.

Третий источник — поиск YouTube. Есть банк из 60 запросов вроде «how to raise a seed round» или «ai agents building tutorial production». Они распределены по неделе, по 9 запросов в день. Видео из поиска система ждет 14 дней и пропускает, только если у ролика за это время набралось хотя бы 1000 просмотров. Если же такой ролик упомянут в другом источнике, ожидание снимается.

Источники расширяются и автоматически. Если с канала, которого нет в моем списке, уже опубликовано хотя бы три видео, пришедших через Hacker News, система начинает отслеживать его целиком.

Шаг 2. Подключила YouTube API

Для получения роликов я использую официальный YouTube Data API.

Каждые 4 часа система проверяет последние загрузки отслеживаемых каналов. Для каждого нового видео она получает метаданные: название, описание, теги, длительность, категорию YouTube, язык, дату публикации, число просмотров, лайков и комментариев, а также можно ли встраивать ролик на сторонний сайт.

Субтитры и транскрипты не используются: модель принимает решение только по метаданным.

YouTube ограничивает бесплатный API квотой — 10 000 единиц в день. Сами ролики не скачиваются и не хранятся на моем сервере. TheBold Hub воспроизводит их через встроенный плеер YouTube.

Как и Карпати, я отказалась от авторских обложек: карточки показывают кадр из середины видео, который генерирует сам YouTube.

Дальше начинаются жесткие фильтры, которые работают без AI. Отсеиваются:

  • ролики, которые нельзя встроить на сторонний сайт;

  • контент для детей;

  • видео короче трех минут;

  • неподходящие категории YouTube;

  • уверенно определенный неанглийский язык;

  • каналы из черного списка.

Прямые эфиры и анонсы откладываются и перепроверяются через сутки.

Зачем это нужно? Каждое отсеянное здесь видео — это запрос к модели, за который не нужно платить.

Но остается главная задача: как автоматически понять, какие из прошедших фильтры видео стоит показывать пользователям?

Шаг 3. Использовала decision-модель вместо обычной LLM

Когда я обсуждала реализацию с Claude, мы остановились на специализированной модели Perplexity Decider. Для отбора видео используется pplx-decider-v1.2, для проверки комментариев на спам — более дешевая pplx-decider-flash-v1.2.

Это отдельный класс AI-моделей — decision models, или модели принятия решений.

Большие языковые модели вроде Claude или ChatGPT умеют генерировать тексты, писать код, анализировать документы и решать сложные задачи.

Но далеко не во всех приложениях нужно генерировать развернутый ответ. Очень часто требуется принять одно простое решение из нескольких возможных вариантов. Например:

  • относится ли видео к тематике стартапов;

  • к какой категории его отнести;

  • является ли комментарий спамом;

  • в какой отдел направить обращение клиента.

Для таких задач и существуют decision-модели. Они получают входные данные и набор типизированных вопросов, а возвращают не текст, а числа.

Например, вместо ответа на несколько абзацев модель может вернуть, что видео подходит платформе с вероятностью 96%, а наиболее подходящая категория — Fundraising.

Важная особенность таких моделей — низкая стоимость обработки большого количества запросов.

В TheBold Hub все вопросы о видео отправляются в одном запросе. Модель отвечает на шесть вопросов:

  1. Полезно ли видео тех-фаундерам, операторам стартапов или венчурным инвесторам?

  2. Подпадает ли оно под одно из исключений: трейдинг и прогнозы цен, офлайн-бизнес без технологий, мотивация без конкретики, обзоры гаджетов, политика, неанглийский язык?

  3. Какая категория из 30 подходит лучше всего?

  4. Какой это формат: интервью, доклад, туториал, разбор, история, новости?

  5. Для кого видео полезнее всего: фаундеров, инвесторов, операторов, разработчиков?

  6. Насколько видео содержательно — от «кликбейт» до «глубокий материал»?

MS5wbmc.webp

Скриншот со статистикой и затратами из админки

Модель принимает решение по метаданным ролика: названию, каналу, первым 1500 символам описания, таймкодам глав, тегам и длительности.

Анализ 10 тыс таких описаний к видео обошелся мне в 0,12 центов и еще около 0.20 центов ушли на пересортировку категорий и персчет очереди (запускаются раз в 10 минут).

Если бы я делала теже задачи с LLM — анализ 10 тысяч видео стоил бы примерно $2–3 на самых дешевых моделях OpenAI и Anthropic, около $60–120 на средних и до ~$300 на флагманах.

Шаг 4. Настроила правила и систему предачи на проверку человеку

Это, пожалуй, самая важная архитектурная идея проекта.

Модель в TheBold Hub ничего не публикует сама. Она только возвращает вероятности. Окончательное решение принимает простое правило в коде, у которого три исхода.

Опубликовать автоматически можно, только если выполнены все три условия:

  • релевантность не ниже 80% (для каналов со строгой проверкой — 90%);

  • модель уверена хотя бы на 70%, что никакое исключение не подходит;

  • содержательность не ниже «solid» по четырехбалльной шкале.

Отклонить автоматически система может, если выполнено любое из условий:

  • релевантность ниже 50%;

  • какое-то исключение подходит с уверенностью от 70%;

  • видео близко к кликбейту.

Все остальное — серая зона. Такие видео уходят мне на ручную проверку.

Почему так, а не «спросить модель, публиковать ли»? Потому что тогда границы задаются явно, их можно прочитать, проверить и поменять одной строкой. Модель отвечает на узкие вопросы, а политика публикации остается моей.

Первый живой прогон на 18 реальных видео дал такое распределение:

  • 7 опубликованы автоматически;

  • 5 отклонены моделью;

  • 3 отсеяны фильтрами еще до модели;

  • 3 ушли ко мне на проверку.

Схема: источники → YouTube API → жесткие фильтры → Perplexity Decider → правило в коде → три результата: публикация / отклонение / ручная проверка.

Как система учится на моих решениях

Ny5wbmc.webp

Админка

Важно сказать честно, что именно здесь «учится». Веса модели Perplexity не меняются, никакого дообучения нет. Пороги публикации тоже фиксированные и сами не сдвигаются.

Учится система по-другому: через примеры.

Каждое мое решение в админке сохраняется как размеченный пример. Когда приходит новое видео, система подбирает до шести похожих роликов, которые я уже разметила (по совпадению слов в названии и по тому же каналу), и передает их модели вместе с видео с пометкой: «это похожие видео, которые редактор разобрал вручную, следуй их логике».

Каждые 25 новых разметок система заново проходит по уже опубликованным видео, которые я не проверяла сама, и пересматривает их категории с учетом новых примеров.

Чтобы такой цикл не испортил то, что уже работает, в нем есть ограничения:

  • категория меняется, только если модель уверена в новой хотя бы на 50%: на тестовом наборе ниже этого порога модель больше ломала, чем исправляла;

  • пересмотр никогда не меняет решение «опубликовать или отклонить»: только категорию;

  • видео, которые я разобрала вручную, система не трогает;

  • каждое изменение записывается в журнал, так что любой проход можно проверить и откатить.

Вкладка Categories показывает видео, в категории которых модель была уверена меньше всего. Одна моя правка там учит систему больше, чем десять правок в очевидных местах.

Прежде чем включить цикл, мы проверили его на наборе из 186 размеченных видео:

  • верных категорий стало 166 вместо 160;

  • из 26 ошибок модель исправила 13;

  • 7 ранее правильных категорий она поменяла на неправильные.

У Flash-версии результат на этой задаче был заметно хуже, поэтому для видео используется полная v1.2.

Шаг 5. Добавила персонализацию рекомендаций

Даже внутри стартап-комьюнити интересы сильно отличаются. Один фаундер сейчас привлекает инвестиции, другой ищет product-market fit, третий изучает новые каналы привлечения клиентов. Если показывать всем одинаковую ленту, получится просто еще один тематический каталог.

Сначала про общую ленту. Ее порядок — тоже формула, без AI:

  • 25% — насколько видео обогнало обычные просмотры своего канала;

  • 20% — популярность;

  • 15% — вовлеченность (лайки и комментарии на тысячу просмотров);

  • 15% — обсуждение на Hacker News;

  • 10% — содержательность по оценке модели;

  • 15% — свежесть: ее вес уменьшается вдвое каждые 90 дней, так что новые видео поднимаются, а сильные старые не исчезают.

Чтобы лента не превращалась в один канал, в одном ряду не больше трех видео одного канала и не больше трех подряд одной категории.

Персонализация тоже построена на обычном коде, без модели и без векторного поиска. Система записывает действия зрителя и придает им разный вес:

dC5wbmc.webp

Пример весов

Вес каждого действия уменьшается вдвое за 30 дней. Из этих сигналов складывается профиль интересов по темам, категориям и каналам.

Как персонализация меняет ленту:

  • ряд For You появляется после пяти положительных сигналов;

  • одно место в нем всегда занято видео из темы, которой вы еще не интересовались, — чтобы лента не замкнулась на самой себе;

  • тематические разделы переставляются: интересные вам поднимаются выше;

  • досмотренные и скрытые видео уходят с главной.

  • Кнопка «не интересно» (перечеркнутый глаз) скрывает видео с пятисекундной возможностью отменить.

dS5wbmc.webp

Элементы интерфейса, внутрянняя страница

Профиль работает и без регистрации: тогда он хранится в браузере. После входа он объединяется с аккаунтом и хранится на сервере.

Главное для меня в том, что персонализация работает только внутри профессиональной тематики. TheBold Hub вообще не знает о моей истории на YouTube, поэтому вечерние развлечения не влияют на то, какие интервью с инвесторами он мне рекомендует.

Шаг 6. Добавила обсуждения, сохранения и историю просмотров

Изначально задача была в удобной ленте, но постепенно захотелось сделать полноценное пространство для профессионального контента.

Сохранение видео. Можно отложить материал и вернуться к нему позже.

История просмотров и «Продолжить просмотр». Плеер запоминает точную позицию, в том числе в момент ухода со страницы. История привязана к аккаунту, видна только владельцу, и ее можно очистить. Если браузер и аккаунт помнят разные позиции, берется более свежая.

Обсуждения. Под видео можно вести дискуссии: отвечать на комментарии, ставить лайки, сортировать по популярности или новизне.

Комментарии модерируются в два слоя:

  1. Правила в коде: не больше 10 комментариев в час, ссылки — только после первой недели комментирования, фильтр очевидных спам-фраз.

  2. Модель: текст проверяет Decider Flash. При вероятности спама от 90% комментарий скрывается до моей проверки. От 50% — публикуется, но помечается для админки. Если модель не ответила за 3 секунды, комментарий публикуется сразу, а фоновая задача проверит его позже.

Предложение каналов. Пользователи могут предложить YouTube-каналы на странице /hub/suggest. Список приходит мне в Telegram и сохраняется в базе. Автоматически в мониторинг ничего не добавляется — это сознательное решение. Подходящие каналы я добавляю сама.

Ti5wbmc.webp

Ti5wbmc.webp

Как работает возможность предложить канал

Так сообщество может участвовать не только в обсуждении контента, но и в его отборе.

Войти в хаб можно через Google или GitHub. Если вы уже пользуетесь TheBold, хаб открывается из вашего кабинета без повторного входа.

cC5wbmc.webp

Авторизация

Какой стек я использовала и сколько времени ушло

Hub я собирала в Claude Code. Я описала продукт в спецификации: темы, исключения, источники, логику модерации и ленты. Claude писал код, а я проверяла результат и принимала продуктовые решения. Вся разработка заняла один день, примерно пять часов от первого коммита до последнего.

Uy5wbmc.webp

Стек

Как вам повторить такую систему

Сам подход необязательно применять только к стартапам. Аналогичный видеохаб можно собрать для научных лекций, медицины, дизайна, инженерии, образования или любой другой профессиональной области.

Базовые шаги, которые вам предстоит сделать:

  1. Определить тематику, аудиторию и исключения. Список того, что не должно попадать в каталог, так же важен, как список тем.

  2. Собрать первоначальные источники. Лучше начать с небольшой качественной базы каналов, чем с сотен случайных. Сигналы сообщества вроде Hacker News проверять на шум до того, как доверять им.

  3. Поставить жесткие фильтры перед AI. Все, что можно отсеять кодом, не должно стоить денег.

  4. Разделить роли модели и правил. Модель отвечает на узкие вопросы вероятностями, а решение о публикации принимает прозрачное правило с явными порогами.

  5. Отправлять "серую зону" на проверку человеку и сохранять каждое его решение как пример. И да без админки тут тоже дело не обойдется.

Что получилось у меня

Сейчас TheBold Hub уже работает и система обработала свыше 10,000 видео.

Эксперимент Карпати показал, что можно использовать контент большой платформы, не принимая ее правила рекомендаций как единственный возможный вариант.

В моем случае это возможность отделить профессиональный YouTube от развлекательного и получить ленту, которая учитывает интересы внутри стартап-экосистемы.

И мне кажется, что подобных специализированных интерфейсов поверх существующих платформ будет становиться больше. Не потому, что все захотят создавать "собственный YouTube", а потому, что теперь можно сравнительно небольшими усилиями сделать свою рекомендательную систему под потребности конкретного человека или сообщества.

Если вы интересуетесь стартапами, венчурными инвестициями, growth или технологиями — . На связи!

🙌