Wie ich 5  Videos  zu einer KI-Wissensbasis gemacht habe
— ohne eine Zeile Code zu schreiben

Stell dir vor, du willst Scalping-Strategien lernen. Du findest 5 großartige YouTube-Videos — zusammen über 100 Minuten Material.
Jetzt hast du zwei Optionen: Du schaust alle fünf, machst dir Notizen, vergisst die Hälfte. Oder du lässt eine KI das erledigen.

Ich habe mich für Option zwei entschieden. Und das Ergebnis hat mich selbst überrascht.

Das Problem: YouTube-Wissen ist flüchtig

Trading-YouTube ist eine Goldgrube — und gleichzeitig ein Albtraum. Ein Video erklärt MAE und MFE mit 330 Backtests. Das nächste
ist ein 41-Minuten Deep Dive in Order Flow. Ein drittes zeigt ein Setup mit 86% Win Rate. Fantastisches Material. Aber versuch mal,
drei Wochen später die exakte Stop-Loss-Regel aus Video 3 wiederzufinden. Oder die Win Rate aus dem Backtest in Video 1
mit der Risk-Reward-Ratio aus Video 4 zu vergleichen.

YouTube-Videos sind für den Konsum optimiert, nicht für die Analyse.

Die Lösung: Ein lokales Tool, das Videos in strukturiertes Wissen verwandelt

YT Analyzer ist ein kleines Flask-Tool, das ich zusammen mit Claude (Anthropic) gebaut habe. Es läuft lokal auf meinem Rechner,
braucht keinen API-Key und nutzt Google Gemini 3 Pro über einen einfachen Copy/Paste-Workflow.

Der Ablauf ist denkbar simpel: YouTube-Link reinwerfen, drei Prompts nacheinander in Gemini kopieren, Ergebnisse zurückpasten.
Das Tool erledigt den Rest — Validierung, Strukturierung, Report-Generierung.

Was dabei herauskommt, ist das Beeindruckende: Aus jedem Video entsteht ein strukturiertes JSON mit allen Fakten,
Zahlen, Zitaten, Methoden und Definitionen — jede Aussage mit Confidence-Score, jeder Zeitstempel als klickbarer Link.
Daraus generiert das Tool druckfertige Reports in Deutsch oder Englisch, wahlweise als Markdown, HTML oder Word-Dokument.

Der eigentliche Game-Changer: Bundle-Export

Einzelne Reports sind nützlich. Die wahre Stärke zeigt sich beim Projekt-Bundle. Ich habe 5 Scalping-Videos einem Projekt
zugeordnet und mit einem Klick ein Bundle exportiert — eine einzige Markdown-Datei mit dem destillierten Wissen aus allen fünf Videos.

Dieses Bundle habe ich in Claude hochgeladen und gefragt:
„Vergleiche die 5 Scalping-Strategien. Welche hat die beste Risk-Reward-Ratio? Wo widersprechen sich die Ansätze?“

Claudes Antwort war eine fundierte Vergleichsanalyse, die ich manuell nie in dieser Tiefe erstellt hätte. Es hatte sofort Zugriff
auf alle Zahlen, alle Definitionen, alle Methoden — strukturiert und verifiziert.

Warum dieser Ansatz funktioniert

Drei Stufen, drei Qualitäts-Checks. Extraction → Review → Report. Der Review-Schritt fängt Halluzinationen
und falsche Zahlen ab. Bei Trading-Research ist das nicht optional — es ist überlebenswichtig.

Sprachbewusst von Anfang an. Das Tool erkennt die Video-Sprache automatisch und wählt den passenden Prompt.
Ein englisches Video wird auf Englisch extrahiert, erst der Report wird übersetzt.
Kein Informationsverlust durch vorzeitige Übersetzung.

Lokal und privat. Keine Cloud-Datenbank, kein Abo-Modell, keine API-Kosten.
Ein Python-Skript, ein Browser, ein Google AI Pro Plan den ich ohnehin habe.

Von YouTube-Video zur LLM-Wissensbasis in unter 30 Minuten pro Video. Und das Bundle aus 5 Videos?
Eine Stunde Arbeit, ein Klick Export, eine Datei an Claude — fertig.

Das Fazit

Die beste Information nützt nichts, wenn sie in einem 41-Minuten-Video begraben liegt.
YT Analyzer gräbt sie aus, strukturiert sie, verifiziert sie und macht sie maschinenlesbar.
Nicht als Spielerei — als produktives Werkzeug für Research, das echte Entscheidungen unterstützt.

5 Videos rein, strukturierte Wissensbasis raus. Das ist kein Zukunftsszenario.

Das läuft jetzt, auf meinem Rechner, mit Tools die jeder hat.