ByteDance Engineering：小 V が Codex でコードなし動画検索サイトを構築

Viking AI 搜索 | 2026-08-05 19:56 北京

💡 一位想搭建“视频搜索网站”的开发者，借助 Viking AI 搜索与 SearchCLI，将视频数据上传、字段解析、索引配置等全部任务交给 Codex 中的 Agent 完成——无需触碰视频理解模型，不调整向量索引，连一条命令都未手写。

一、小 V 的难题：想做视频搜索，却卡在“搭系统”这一步

小 V 最近正在筹备一个视频领域的创业项目。他手头积攒了大量短视频素材：三千多条 MP4 文件，涵盖科技、自然、美食、运动、旅行、动物、时尚等十几个题材。每条视频都配有一张封面图，横屏与竖屏混合，分辨率从 1080P 到 4K 不等。

他想做的事情其实很朴素：搭建一个视频搜索网站，让用户输入一句话，就能从海量视频中精准找到最相关的几条内容，最好还能顺带推荐相似视频、支持直接提问。

▲ 小 V 心中的理想成品：一个支持传统搜索、个性化推荐和对话式问答的短视频搜索网站。

想法看似清晰，可真要落地实施，他很快发现自己正站在一条漫长而陡峭的链路面前。

视频不同于文本，不能直接丢进搜索引擎就万事大吉。要让视频“可被搜索”，必须先对每条视频进行内容理解，抽取关键帧和语义信息；接着还要纠结 Embedding 如何选型、向量索引如何构建；文本、图片、视频三种模态必须融合在一起，否则“多模态搜索”只是一句空话。往后还有召回策略、重排序、推荐算法、问答接入大模型……每一个环节都是难啃的硬骨头，任意一个没搞定，整个网站就无法运转。

更让他头疼的是数据本身过于“素”。他翻看了自己的素材表，发现每条视频可用的信息少得可怜：仅有一个 content_id、一句英文标题（多半是像 Automated Solar Panel Production Line 32386606 这样的机器命名）、一个宽泛到几乎无法使用的 genre（如 technology、nature），外加时长、分辨率和作者。没有标签，没有内容简介，更没人清楚描述“画面里到底有什么”。这意味着，只要用户搜索的词没恰好落在英文标题中，传统的关键词匹配就会直接失效——用户想搜“雪山日出的航拍”，而视频标题写的却是 Drone Footage 8842，两者永远无法对应。真正的答案藏在视频画面里，而不在这几个干巴巴的字段中。

大まかに工期を試算すると、動画データを導入して動作する索引を構築するだけでも、順調に進めば半分以上の期間が必要になります。推薦機能や質問応答機能を追加すれば、1 季度（3 ヶ月）では到底間に合わないでしょう。

彼が本当に注力したいのは、サイトの商品体験やコンテンツ運営です。基盤インフラで何度も手こずることは望んでいません。

彼が目指したのは、「ゼロから検索・推薦・質問応答システムを構築すること」ではありません。データを読み込めば、すぐに検索、推薦、質問応答が使える「箱入り（パッケージ化された）の土台」です。

二、Viking AI 検索と SearchCLI：システム構築を「要件定義」へ

小 V がたどり着いたのが、この組み合わせです。Viking AI 検索と、エージェント専用ツールである SearchCLI（Viking AI 検索 CLI）です。

Viking AI 検索は、箱を開けるだけで使えるインテリジェント検索サービスです。データを読み込めば、検索・推薦・質問応答が一体化した完全な体験を得られます。3 つの機能が最初から連携しており、ゼロから検索・推薦システムを構築する必要も、複数のサービスを個別に接続する必要もありません。さらに重要なのは、マルチモーダルデータ、特に動画理解において Viking が最大の強みを持っている点です。これは「テキストと画像、動画を混合して検索する」ようなシナリオのために作られたものです。

SearchCLI は、その能力を開発者やエージェントに届けるための鍵です。IaC（Infrastructure as Code）の考え方に基づき、データ入库、索引設定、検索・推薦・質問応答戦略の最適化といった複雑な一連の作業を、簡潔なコマンド群に統合しました。さらに組み込みの Skills も用意されています。これにより、Codex 内でエージェントは検索エンジニアやアルゴリズムの専門家へと変貌します。小 V はただ、チャットボックスで要件を明確に伝えるだけで済みます。

小 V は、自分が慣れ親しんだ Codex の中で、SearchCLI を活用したエージェントに任せ、動画検索サイトのバックエンドを一気に構築することにしました。

三、Codex で動画データを検索可能なサービスへ変換

小 V は、一歩も Codex のチャットボックスから離れることはありませんでした。ツールのインストールから索引の完成まで、全体を明確な 4 つのステップに分解できます。各ステップで彼は基本的に「要件の提示」と「確認」を行うだけで、残りの作業はすべてエージェントが SearchCLI を呼び出して完了させます。

▲ Codex で SearchCLI を駆動する全過程：インストール → データインポート → 効果評価 → 検索・対話戦略設定

ステップ 1：ツールのインストールと認証

複雑な事前設定は不要です。小 V が最初に行ったのは、インストールコマンドを Codex のエージェントに送信し、自分で SearchCLI をダウンロードして設定させることです。

この一文を Agent にコピー＆ペーストしてください：

「この CLI をダウンロードしてインストールしてくれ：https://github.com/volcengine/SearchCLI。インストール完了後に vs --help を実行し、正常に動作したか報告してほしい。」

設定が完了したら、火山引擎の公式サイトから AK/SK（アクセスキー/シークレットキー）という認証情報を取得し、Agent の指示に従ってターミナルに入力するだけで済みます。手動での設定はほぼ不要です。認証に成功しサービス検出も通過すれば、この手順にかかる時間は 10 分未満。小 V が入力したのは数行のコマンドだけですが、これで基礎環境がすべて整いました。

AK/SK の取得方法：

火山引擎の「Viking AI 検索」首月体験版（リンクをブラウザにコピーして開く：https://signin.volcengine.com/auth/login?redirectURI=https%3A%2F%2Fconsole.volcengine.com%2Fhome）へアクセスし、火山アカウントを登録すれば AK/SK が取得できます。これにより体験機能を利用可能になり、初月はわずか 9.9 元です。

2 番目のステップ：動画データのインポートと Agent によるフィールド解析

環境が整ったら、次は最も重要なステップです。動画データを取り込みます。

小 V が扱う動画データは JSONL ファイル（CSV でも可）で、1 行に 1 件の動画記録が含まれています。従来の方法なら、彼は数千件のレコードをスクリプトで走らせ、一つずつ動画をダウンロードしてフレームの特徴を抽出し、API を呼び出してアップロードするという作業をこなさなければなりません。製品開発に注力したい彼にとって、これは乗り越えられない壁でした。

しかし SearchCLI があれば、複雑なアップロードインターフェースに触れる必要はありません。彼はサンプルデータだけを Codex に送り、データアップロードとインデックス作成を任せるだけで済みます。

次に Agent は、SearchCLI に組み込まれた 3 つのステップでデータを処理し、バラバラなデータを格納可能な構造化データに変換します。

• ステップ：コマンド / Agent の役割
• ソースデータの準備：vs dataset import-url / データインポート先の URL を取得し、JSON、JSONL、または CSV ファイルをアップロードしてクラウド側で読み込みます。これにより、後続のスキーマ推論のための元データが用意されます。

| スキーマの推論と確認

vs dataset infer-schema

vs dataset infer-result

クラウド上でサンプルデータに基づいて候補となるスキーマを推論し、フィールドのタイプや検索における役割を特定します。その後、エージェントがその結果を人間が理解しやすい確認リストに変換します。具体的には、「どのフィールドがタイトル、本文、タグに対応するか」「どの URL フィールドが動画や画像を表すか」などを明確にします。

データ作成と書き込み

vs dataset create

vs data write

vs app attach-dataset

確認済みのスキーマに基づいてマルチモーダルなデータセットを作成し、3,000 件以上の動画レコードを登録してアプリケーションに紐付けます。動画、サムネイル画像、テキストはその後、クラウド上で非同期処理されインデックスが構築されます。処理が完了し状態が整えば、すぐに検索機能の検証が可能になります。

ここで最も手間がかからないのは、エージェントが「段階的な確認」方式でフィールドを解析してくれる点です。いきなり複雑な表を提示するのではなく、まずデータセットの基本情報（説明、フィールドタイプ、意味）を確認してもらい、次にタイトルや本文、タグ、公開日時といった核心属性を確認し、最後に動画や画像を保存するフィールドなどマルチモーダル関連の項目を個別に確認します。動画と画像は後続の処理方針を決める重要な要素なので、これらを別立てで確認することで、「確認ボタンを押すだけで済ませてしまい、結果としてインデックスの精度が期待通りにならない」といったミスを防げます。

3,000 件を超える動画データに対しても、エージェントは無謀にも一度に全量をアップロードしません。API の同時接続制限を自動的に予測し、データを数バッチ（例：1 バッチ 500 件）に分割して順次書き込みます。また、レートリミットを回避するために適切な待機時間を挿入しています。小 V はこのようにバッチごとに進捗が完了していく様子を見守り、安心します。「ハードディスク内の散らかったフォルダ」だった mp4 ファイル群がついに整理されたのです。

処理プロセス全体も完全に透明です。リンクの状態を確認したい場合は、エージェントに一声かけるだけで、データ処理の進行状況が表示されます。主データはレコード単位で、動画は再生時間単位で、画像は枚数単位で処理が進みます。もし特定の動画リンクが失效していたり、画像にアクセスできないものがあっても、それらは個別にマークアップされ、他のデータの正常な登録には影響しません。

ステップ 3：インデックスを設定し、動画を本当に「検索可能」にする

データが取り込まれたら、次は成否を分ける重要な段階です。ユーザーが入力した一文に対して、本当に該当する動画を検索できるかどうかが問われます。

ここで Viking のマルチモーダル能力が真価を発揮します。SearchCLI にはテキストと画像の両方を含む検索設定が内蔵されており、インデックスは即座に利用可能です。小 V が自分で Embedding モデルを選んだり、ベクトルインデックスを手動で構築したりする必要はありません。エージェントがインデックスを設定する際、自動的に各モダリティ用の検索経路を敷設します。

• 動画の内容は「動画理解スライス」を通じてインデックス化され、各動画の映像シーンの意味情報が検索可能になります。
• サムネイルやキーフレーム画像はベクトルインデックスを経由し、「画像で動画を検索する」機能もサポートされます。

検索フィールドは全文検索（Elasticsearch）と意味的なセグメンテーションの両方に同時に投入され、正確な一致と意味理解の両方をカバーします。

これにより、ユーザーがテキストで検索しても、参考画像で検索しても、関連する動画にヒットします。テキスト検索では動画内で理解された画面の意味を捉え、画像検索では動画の視覚的内容にマッチングできます。

検索戦略は一言で調整可能です。Viking の検索戦略には「テキスト - 視覚」の重み付け設定が用意されており、視覚的权重はテキスト検索時に全体の視覚要素にどの程度一致させるかを表します。「小 V」はデフォルトの結果がテキスト寄りと感じたため、Agent に視覚的权重を少し高くするよう指示しました。

フォームの入力もコードの修正も不要です。Agent が最適化提案をそのまま設定に変換し、CLI を通じてオンライン戦略のホットアップデートを実行します。変更は即座に反映されます。

ステップ 4：効果を検証し、サイトを構築する

インデックス設定が整った後、「小 V」は効果の精度について疑問を持ちました。そこで Agent に SearchCLI の評価機能を使ってクローズドループを実行させます。異なる意図を持つクエリテストセット（例：「雪山日出の空撮」「室内暖光での製品解説」）を自動生成し、バッチでベンチマークテストを実行して Top-K 関連性スコアを算出します。その結果に基づいて最適化提案を行い、自動的に設定を変更、前後の効果と比較します。「テスト→分析→調整→再検証」という一連のサイクルは、彼が横で見守るだけでほぼ完了しました。

効果が安定すると、サイトの構築はむしろ最も簡単なステップになりました。Viking AI 検索では、検索・意味推薦・多輪対話の 3 つの API がすでに用意されています。Agent はこれら 3 つの API をベースにフロントエンドをラップするだけで、使える動画検索サイトが完成します。

• ホームページではユーザーの興味に基づいて動画を推奨
• 検索ボックスはテキスト検索と画像検索に対応
• キーワードで表現しにくいニーズには自然言語での質問が可能。システムが意図理解・情報収集・再ランク付け・回答生成を担い、参照した動画ソースも明記します。

小 V が最終的に完成させたのは、従来の検索、パーソナライズ推薦、対話型 Q&A をすべてサポートする短视频検索サイトです。

左右滑动查看更多内容

四、なぜ Viking なのか：見落とされがちな多モーダルな動画理解能力

小 V がこれほどスムーズに動作できるのは、Viking AI Search の多モーダル、特に動画分野における堅牢な実力によるものです。このツールは、独自で動画検索システムを構築する際に直面する最も困難な課題のいくつかを解決します。

独自での動画検索が抱える課題

Viking 型多モーダルデータセットの活用方法

画像と動画を別々に管理し、混合検索や推薦ができない

テキスト、画像、動画フィールドを一つの多モーダルデータセットで統合できます。同じレコード内の複数のモダリティが同時に検索・推薦に寄与するため、画像と動画の混合検索・推薦を実現します。

動画を「検索可能」にするには、自前でコンテンツ理解を行う必要がある

組み込みの動画理解スライス機能と動画画像インデックスにより、動画シーンの意味情報が自動的に抽出され、インデックス化されます。テキスト検索や画像検索でも動画内容にヒットできるようになります。

接入门檻が高く、データ構造が「業務専用」すぎる

商品、コンテンツ、長編動画、汎用など多様なトピックに対応したテンプレートを提供します。動画リンクは文字列形式の URL として渡すだけでよく、ニュース、ショート動画、ソーシャルメディアなど、不定長のテキスト・画像・動画を含むデータを低コストで取り込めます。

Embedding の選定、ベクトルインデックス、戦略の最適化には専門家の知識が必要

多モーダル検索の設定はすぐに使えます。検索における「テキスト」と「視覚」の重み付けは一言で調整可能で、評価とチューニングは CLI で自動完結します。アルゴリズムの専門家による数日間の調査は不要です。

つまり、開発者を長く悩ませてきた面倒な作業——動画理解、多モーダル融合、インデックス構築、戦略最適化——を Viking がバックエンドで処理してくれます。あなたがやるべきことは「要件を明確に伝える」ことだけです。

五、今すぐ体験：あなたの動画データを「生かす」

もしあなたが動画検索やコンテンツプラットフォーム、ソーシャルメディア、素材ライブラリ、あるいは企業ナレッジベースを手掛けていて、絶えず変化するテキスト・画像・動画データを、検索可能で推薦でき、質問応答も可能なリアルな体験に変えたいなら、Viking AI Search と SearchCLI で試してみるのがおすすめです。

小 V のように要件を明確に伝えれば、残りの処理は Codex 内の Agent や SearchCLI に任せるだけで大丈夫です。Wake up the data you already have。

Viking AI Search プロダクトページ：（リンクをコピーしてブラウザで開いてください）

https://www.volcengine.com/product/AI-Search-Rec

SearchCLI GitHub リポジトリ：（リンクをコピーしてブラウザで開いてください）

https://github.com/volcengine/SearchCLI

WeChat で開くにはこちらへ