Un non-programmeur a recréé le HackerTube de Karpathy pour Habr : 388 vidéos en une soirée

Les recommandations de YouTube prédisent très bien ce sur quoi vous allez cliquer ensuite, mais peinent à dénicher la conférence à laquelle vous penserez encore dans un an. Le 31 octobre, Andrej Karpathy a publié HackerTube : 6 454 vidéos que les membres de Hacker News se recommandent régulièrement entre 2007 et 2026. Selon lui, Claude a développé le site en environ deux heures dans Claude Code. L’auteur de l’article publié sur Habr a reproduit l’expérience pour la communauté russophone et baptisé le résultat « HabTube ».

Comment ça marche

La source des données est l’archive ouverte de Habr : 302 049 articles et plus de 10 millions de commentaires publiés jusqu’en février 2023. Un script en a extrait 121 379 liens vers des vidéos. Le même seuil que celui de Karpathy a ensuite été appliqué : une vidéo doit avoir été recommandée par au moins trois personnes différentes au cours de trois mois distincts. Un pic ponctuel dans un fil très actif ne suffit donc pas, contrairement à une recommandation qui revient pendant des années. 568 vidéos ont franchi ce seuil.

L’étape clé consiste à faire lire les commentaires au modèle. Claude a analysé chaque commentaire avec le titre de l’article, puis lui a attribué une catégorie : recommande vivement, recommande, cite comme source, plaisante ou critique. Sans ce filtrage, un rickroll aurait dominé le classement : 22 personnes l’avaient partagé au cours de 18 mois distincts. Après filtrage — 88 vidéos supprimées de YouTube, 84 plaisanteries ou contenus parasites et 8 entrées sans données —, il restait 388 vidéos. Pour chacune, le modèle a rédigé une description en russe et indiqué le type, le niveau ainsi qu’une mention signalant un contenu obsolète.

Le site se compose de fichiers statiques : un index.json et un fichier de commentaires distinct pour chaque vidéo. Les likes et l’historique sont stockés dans localStorage. Il n’existe ni serveur avec base de données ni comptes, et l’ensemble est hébergé sur Cloudflare Workers.

Six écueils

La liste des écueils est plus utile que le site lui-même, car ils sont typiques de tout projet fondé sur de grands volumes de données.

• Le jeu de données original d’Ilya Gusev est protégé par une validation des conditions d’utilisation et renvoie une erreur 401. L’auteur a trouvé une copie ouverte, puis vérifié son schéma et son nombre de lignes via datasets-server, plutôt que de se fier à son nom.
• L’archive pèse 6,2 Go, alors que l’ordinateur portable ne dispose que de 4 Go libres. Solution : louer un serveur et ne lire que les colonnes nécessaires des fichiers parquet, par lots de 300 articles. Un fichier contenant 10 mille articles est traité en environ 3 secondes.
• Les liens YouTube se présentent sous une dizaine de formats : youtu.be, embed, shorts, live, nocookie, ainsi que & dans le HTML. Une seule expression régulière a suffi, avec une vérification imposant un ID de exactement 11 caractères.
• YouTube bloque les adresses de serveurs en les assimilant à des bots. Les métadonnées de 564 vidéos ont donc dû être récupérées en une fois depuis une adresse résidentielle.
• À cause du paramètre hl=ru, les sous-titres russes s’activaient automatiquement sur les conférences en anglais. Le problème a été résolu avec cc_load_policy=0 et le déchargement du module captions.

Ce qui est meilleur et moins bon que l’original

« HabTube » propose deux fonctions absentes de HackerTube : le saut des séquences sponsorisées via SponsorBlock — au 4 novembre, 41 vidéos sont annotées, pour 59 séquences et 42 minutes — ainsi que des descriptions en russe, y compris pour les conférences en anglais. Karpathy propose 17 fois plus de vidéos et ses données sont plus récentes, puisqu’elles vont jusqu’en 2026. Pour l’instant, les données de HabTube s’arrêtent à février 2023 ; les commentaires de 2023–2026 sont encore en cours de téléchargement.

Limites et conclusion

Les descriptions ont été rédigées par le modèle, qui peut donc se tromper dans les détails ; les commentaires d’origine sont joints sous chaque vidéo afin de permettre les vérifications. En Russie, un VPN est nécessaire pour lire les vidéos. Les vidéos de RuTube et VK n’ont presque jamais franchi le seuil.

Conclusion pratique pour les équipes produit et les fondateurs : la recette « corpus ouvert, seuil fondé sur des personnes indépendantes, LLM comme classificateur de ton, fichiers statiques en sortie » peut être reproduite en une soirée et sans équipe. L’élément le plus précieux n’est pas le code, mais le filtre : sans l’identification des plaisanteries et des rickrolls, le résultat aurait été un fil de mèmes. Si votre communauté dispose d’une archive de discussions, vous pouvez constituer une sélection similaire de la même manière. Vérifiez simplement à l’avance que les données sont accessibles et n’oubliez pas que de nombreuses plateformes bloquent les adresses IP de serveurs.