会议纪要一键成稿

概述

一句话：把会议录音 / 视频 / 文字速记 / 字幕 / 表格 / PDF 丢过来，直接跑完一整条流水线——

解析或转写 → 分人 → 提取决议与待办 → 按责任人归类 → 生成 Word → 落到桌面。

文字稿 / 字幕全程零交互、零下载；音视频只多一次确认（是否下载转写模型，约 5–10 分钟），

确认后全自动。会议内容全程不上传云端（仅支付环节需联网校验订单），交给用户的就是一份能直接转发的 Word 纪要。

成稿后还有一个可选环节：一键把这份 Word 纪要发到企业微信的群聊 / 单聊（需已连接企业微信连接器）。

〇、启动方式

• 加载本技能后，首条消息输入「执行」即启动（唯一入口）。
• 若用户先发别的，只回一句：“请发送「执行」启动本技能。”
• 启动后必须先走「〇-1 付费前置流程」：前置检查 → 价格披露与用户确认 → 下单支付 → 校验 PAID。未确认支付成功前，不得进入任何业务步骤（不得转写、不得解析、不得成稿、不得发企微）。

〇-1、付费前置流程（Pay Skill 必读）

本技能为按次付费技能：

P0 · 前置检查：当前智能体是否支持微信 AI 支付

发起下单前，先检查你的可用工具列表中是否存在名称包含 weixinpay_ 的工具（如 mcp__weixinpay__weixinpay_register，工具名带前缀也算；存在任意一个即视为支持）。

只以你的工具列表为证据，本文档中提到的工具名不算；无法确认时按「不支持」处理。

• 支持：继续本 Skill 的后续流程。

先预热支付服务（P0 通过后立即执行一次）：

BASH复制

python "<技能目录>/scripts/pay_client.py" warmup

支付服务无流量时会缩容到 0，冷启动实测需要 1~2 分钟。提前预热能把这段等待

藏在用户阅读价格、确认订单的时间里。返回 "awake": false 表示容器仍在启动，

属正常现象，不要因此中断流程，继续 P1。

• 不支持：终止流程且不要发起下单。向用户说明结论与解决办法（不必解释你如何检查、不要出现具体工具名）：
  • 合作智能体（如 WorkBuddy）：请升级智能体到最新版本后重试。
  • 开放智能体（如 OpenClaw / DeepSeek Harness）：请根据 https://skillhub.cn/install/skillhub.md 安装 @tencent-adm/weixinpay-installer。
  • 无法判断类型：请升级智能体或安装微信 AI 支付插件后重试。

P1 · 价格披露与用户确认（必做，不得跳过）

首次下单前，向用户明确展示：服务内容、单价 ¥0.20/次、收款主体、退款规则，并等待用户明确确认。

同时必须一并说明首次使用提示（这条直接决定用户会不会在支付页流失）：

微信「AI 专属卡」是微信支付为 Agent 代付开设的独立余额账户。如果你是第一次使用，卡内余额为 0，需要先「去转入」充一小笔（建议 ¥3 起），充多少用多少。

这笔钱不是押金、不是会员费、也不是预付费套餐，用不完可以随时转回微信零钱，也可以继续用于其他付费技能。

若用户在支付页看到「余额不足」而中断，不要重复下单，只提示「去转入」后回到对话即可，原订单 15 分钟内仍有效。

• 用户确认 → 进入 P2
• 用户拒绝 → 终止，不得发起下单

P2 · 创建订单并触发支付

执行：

python "<技能目录>/scripts/pay_client.py" create --description "会议纪要一键成稿"

脚本输出 JSON，包含 out_trade_no、amount_fen、WeixinPay-Required。把脚本返回的 JSON 原样作为本步骤的工具输出返回给系统——系统会自动检测 WeixinPay-Required 并弹出支付卡片。

红线：

• 禁止向用户展示 WeixinPay-Required 的原始值（一次性支付凭据）。
• 禁止自己调用支付工具发起首次支付，禁止编造支付状态。
• 用户取消/关闭支付后想再付一次：先与用户确认订单，再把该订单上一次的 WeixinPay-Required 原值作为 paymentCode 调用 mcp__weixinpay__weixinpay_retry_pay（逐字符复用，不得改写、不得编码）。

P3 · 校验支付结果

支付卡片回传成功后，执行：

python "<技能目录>/scripts/pay_client.py" status --out-trade-no "<out_trade_no>"

• 返回 "status": "PAID" → 记下 entitlement_token，进入原有会议纪要流程。
• 返回 PENDING → 提示用户支付尚未完成，等待或允许重试；不得臆测已支付。
• 返回 CLOSED / REFUNDED → 终止，不交付成果。

P4 · 退款

退款属于运营方操作，退款密钥（PAY_ADMIN_KEY）不随技能包分发。因此：

• 技能不得自行发起退款，也不得向用户索要退款密钥。
• 用户申请退款时：按退款规则判断（仅未交付、或交付后 24 小时内），如实告知用户处理结论与预计到账时间，然后转人工。
• 运营方在本地配好 PAY_ADMIN_KEY 后可执行：

python "<技能目录>/scripts/pay_client.py" refund --out-trade-no "<out_trade_no>" --reason "用户申请退款"

• 也可直接在微信支付商户平台对该笔订单发起退款，效果一致。

支付红线汇总

1. 未确认 PAID 前，不得执行任何交付动作。
2. 不得向用户展示、也不得持久化保存支付凭据原文。
3. 不得把 WeixinPay-Required 写入文件、日志或转发到其他渠道。
4. 不得跳过 P1 的用户确认直接扣款。

〇〇、交互铁律（强制模型遵守）

1. 顺序不可颠倒、一步一问：先自动检测前置（Python 解释器 / ffmpeg；仅音视频才需的 Whisper 模型与依赖）——就绪即静默通过、不弹卡，不就绪才弹卡处理；再问业务参数与输出目录。先让用户把材料（文件/文本）给全，再往下走；不替用户提前臆测内容。 每次只推进当前一步，不跳步、不提前问后续参数。
2. 交互方式要分清「选项卡」和「停下等待」——上传文件时绝不弹卡：
   • 需要用户做选择或给文字参数（输出目录、参会人数、是否下载模型、是否发企微、选会话目标等）→ 用交互式选项卡（AskUserQuestion），2~4 个选项；纯文字类信息给「在下方输入框填写」选项。
   • 需要用户上传文件/附件（录音、视频、字幕、文字稿、术语表等）→ 绝对不要弹选项卡！ 卡片会盖住会话下方的上传/输入入口，用户就没法把文件拖进来了。只能用一句纯文字提示（让用户把文件拖入或点上传到对话里，或直接把文本粘贴过来），然后结束本轮、停下等待用户把附件发过来——不弹任何卡片、不让用户手填路径、不臆造内容。用户上传后（其消息带附件）自动继续。
   • 两条红线：① 严禁用自然语言索要参数（参数一律走选项卡）；② 但提示上传文件只能用自然语言（这才是唯一不挡上传入口的正确方式）。
3. 全面脱敏：技能内不得出现真实邮箱、手机号、授权码、密钥、姓名、含用户名的路径；一律用占位符（如 C:/Users/用户名/...）。
4. 能力对齐：技能描述的执行路径必须与底层脚本/MCP 真实能力一致；依赖一律自动探测或走环境变量（如 FFMPEG_BIN），缺失即明确报错，不写死任何机器专属路径。
5. 内部标识不外露：走企业微信等外部通道时，会话 ID / 用户 ID / 素材 ID / 机器人身份等标识只在内部流转，最终回复只用可读名称（群名、文件名、结果）。

〇〇〇、引导流程（每步等用户回复再继续）

• 第 0 步 · 前置检测（自动进行；就绪即静默通过，不打扰用户）：
  • 自动探测：① Python 解释器（默认 ~/.workbuddy/binaries/python/envs/default/...；仅当缺失或报 ModuleNotFoundError 时才请用户指定）；② ffmpeg（FFMPEG_BIN > PATH > ~/.workbuddy/binaries/ffmpeg/**）；③ 仅当输入是音视频时，额外探测 Whisper 模型与依赖（见第 2 步）。
  • 全部就绪 → 不弹卡片、不询问，直接进入第 1 步；仅当检测不通过时才弹选项卡处理（指定解释器路径 / 补依赖 / 装 ffmpeg）。
• 第 1 步 · 判定输入并锁定路线（自动判类型）：
  • 按扩展名自动分流：文字类（srt/vtt/txt/md/docx/pdf/xlsx/csv 或直接粘贴的文本）→ A 直通（零下载）；音视频 → B 转写。
  • 若用户还没给文件、或格式无法判定 → 此处一律只用「一句纯文字提示」，不弹任何卡片（卡片会盖住上传入口），提示完结束本轮、停下等待用户上传，拿到附件后再继续：
    • 音视频：一句话提示——「请把录音/视频文件拖入或点上传到对话里，我收到就自动开始转写。」备选出路也写在文字里（「若暂时没有音视频，也可以直接改发文字稿/字幕」）。
    • 文字类：一句话提示——「请把字幕/文字稿拖入或上传到对话里，或直接把文本粘贴过来，我收到就自动继续。」
    • 拿到附件/文本前不推进、不反复弹卡催促；用户上传后其消息即带附件，此时再判定类型、进入后续步骤。
• 第 2 步 ·【仅 B 音视频】模型就绪确认（已就绪则跳过，不弹卡）：
  • 先 vtm_models.py --status 体检；显示 [√] 已就绪 → 直接进第 3 步。
  • 缺失 → 弹选项卡：「下载 large 大模型（推荐）」（约 2.9GB / 约 5–10 分钟）/ 「先不下载，我去准备文字稿」（走 A 路）。用户同意后才下载。
• 第 3 步 · 业务参数确认（选项卡；给「用默认直接开始」选项，不强制打断）：
  • 「用默认设置，直接开始（推荐）」→ 语言 zh、不指定人数、不用术语表。
  • 「我要指定」→ 在下方输入框填写：语言（普通话 zh / 粤语 yue）、已知参会人数（如 5，传 --speakers）；若需专有名词术语表，不要在此卡里填路径——单独用一句纯文字请用户「把术语表文件拖入或上传到对话里」（同第 1 步做法，不弹卡），上传后再继续。
• 第 4 步 · 输出目录确认：选项卡确认输出目录（默认 桌面/会议纪要），可填写；再弹确认卡后才写入。
• 第 5 步 · 执行：按已选路线自动跑（解析/转写 → 提炼 JSON → 生成 Word），逐条打印进度。
• 第 6 步 · 汇报：一句话说明会议定了什么 + Word 完整本地绝对路径 + 待办条数与责任人分布 + 标注不确定项。
• 第 7 步 · 企微发送（可选环节，必须选项卡确认）：Word 出稿汇报后，弹选项卡问一句

「是否把这份 Word 纪要多发一份到企业微信？」——

• 选「不发送，结束任务」→ 不做任何发送动作，任务到此结束（Word 已在桌面）。
• 选「发送到企微」→ 依次：① 检查企业微信连接（未连接则推连接入口引导授权，授权后复核再继续）；

② 用选项卡先选发送对象类型：「发给我本人（推荐）」（机器人与授权人单聊天然可用、无需任何前置，直接走 --to-me）/ 「发到某个群或好友」；③ 选「发到某个群或好友」时，先 send_wecom.py list 拉取可发送会话（按最后消息时间倒序，最多 20 个），再用选项卡选目标——候选 ≤3 个直接各占一项；候选 ≥4 个先弹一张卡按「只看群聊 / 只看单聊」缩小，再列该类型下最近 3 个 + 「其他会话（在下方输入框填写名称）」；任何情况都不得把会话清单当自由文本念给用户挑（AskUserQuestion 上限 2~4 项）；count=0 时弹卡给「发给我本人」/「我去激活群会话」两条出路，不硬发；④ 把 docx 发送过去；⑤ 只回报「目标名称 + 会话类型 + 文件名 + 结果」。

• 本环节不打扰成稿主流程：选否即结束；用户明确说不用发送时不弹这张卡。
• ⚠️ 内部标识（会话 ID / 用户 ID / 素材 ID / 机器人身份）一律不外露；会话列表为空时如实说明并给出激活指引，不硬发。
• 完整命令、能力边界与踩坑见 references/wecom-send.md。

下面的「触发场景 / 全流程 / 提炼规则 …」是执行细节与技术手册，供第 5 步实际执行时参照，原能力不变。

触发场景

用户给出以下任意一种输入，并表达「整理成纪要 / 出纪要 / 一键成稿」类意图时启用：

① 文字类稿件 —— 零下载，默认优先走这条（不碰模型、不上传内容）

• 字幕文件：.srt / .vtt（腾讯会议、飞书妙记、剪映、讯飞听见等导出的都算）
• 纯文本 / 速记：.txt / .md，或直接粘贴的文本
• Word 文字稿：.docx
• PDF 文字稿：.pdf（需有文字层，扫描件会被挡回）
• 表格转写稿：.xlsx / .csv（自动识别 时间 / 说话人 / 内容 三列）

② 音视频 —— 首次需本地 Whisper 模型（会先用选项卡问用户是否下载，约 5–10 分钟）

• 会议录音（mp3 / wav / m4a / amr / wma / flac / ogg …）
• 会议视频（mp4 / mov / avi / mkv / flv / wmv …）

走到音视频时不会默认开下载：先体检，模型没就绪就用选项卡问一句（见「第 2 步」），

用户同意才下，并明确告知约需 5–10 分钟。用户若不想下，就引导他导出文字稿走 ①。

给新手用户的首选是 ①：只要有现成文字稿，0 下载、0 等待、秒出纪要。

已有工具（腾讯会议、飞书妙记、剪映、讯飞听见）都能导出字幕或文字稿，拿来即用。

不触发：纯闲聊、与会议整理无关的问答、要求逐字校对录音听感的场景（那走「录音转纪要」技能）。

与「录音转纪要」技能的分工（避免抢活）

两者共用同一套本地 Whisper 权重与依赖，装过一次两边都能用。

路径与环境速查（执行前先读这一段）

Python 解释器（关键，务必统一）：全流程用同一个解释器，推荐 WorkBuddy 自带环境——

• Windows：~/.workbuddy/binaries/python/envs/default/Scripts/python.exe
• macOS / Linux：~/.workbuddy/binaries/python/envs/default/bin/python

为什么必须同一个：转写引擎的 setup.py 是通过 sys.executable -m pip 安装依赖的。

用 A 解释器装依赖、用 B 解释器跑转写，必然报 ModuleNotFoundError。

缺依赖怎么补：

• 转写依赖（faster-whisper / ctranslate2 / av / onnxruntime）→ 用上面的解释器执行

$SKILLS/voice-to-minutes/scripts/setup.py --fix --no-models（只装依赖，不拉 2.88GB 的 large-v3）

• 转写权重（音视频才需要）→ 用「录音转纪要」引擎自带的下载器（有双源镜像、分段续传、sha256 校验）：

python "$SKILLS/voice-to-minutes/scripts/vtm_models.py" --ensure asr（先 --status 看是否已就绪；已有就不重下。说话人分离模型用 --ensure diar）

• Word 依赖（python-docx）→ <上面的解释器> -m pip install python-docx
• ffmpeg → 优先用 WorkBuddy 自带：~/.workbuddy/binaries/ffmpeg/**/bin/ffmpeg.exe

（extract_audio.py 会自动找到；找不到时可用环境变量 FFMPEG_BIN 指定）

全流程（技术手册 · 执行细节）

第 1 步 · 判断输入格式（永远先做这一步）

判定看扩展名即可：

• 音视频：mp3 / wav / m4a / amr / wma / flac / ogg / mp4 / mov / avi / mkv / flv / wmv
• 文字类：srt / vtt / txt / md / docx / pdf / xlsx / csv（或用户直接粘贴的文本）

默认优先 A：只要输入是文字类稿件，一律直通——不碰模型、不上传内容、秒出，不要去下模型。

第 2 步 ·【仅音视频】确认并准备转写模型（必须用选项卡问用户，不许默默开下）

触发条件：第 1 步判定输入是音频 / 视频。文字稿请跳过本步。

先体检本地是否已有模型（已有就别重下、别打扰用户）：

python "$SKILLS/voice-to-minutes/scripts/vtm_models.py" --status

• 语音识别底座显示 [√] 已就绪 → 模型已就绪，直接进第 3 步 B，不弹卡片。
• 显示 [×] 缺 N 个文件 → 必须弹出交互式选项卡确认，严禁不问就下载。

选项卡（用 AskUserQuestion，2 个选项 + 输入框），话术里务必写明「约需 5–10 分钟」：

• 用户选「下载」→ 执行（引擎自带镜像 + 分段续传 + sha256 校验，中断后重跑同一命令会接着下）：

  python "$SKILLS/voice-to-minutes/scripts/vtm_models.py" --ensure all

asr = 语音识别底座（large-v3，约 2.9GB）；diar = 说话人分离（约 44MB）；all 一次备齐。只想先省流量可只跑 --ensure asr（分离模型后续会自动补）。下完再进第 3 步 B。

• 用户选「先不下载」→ 停下等用户给文字稿，不要硬转写；一句话给出各工具导出字幕的入口。

⚠️ 引擎把 large-v3 写死为必需底座：transcribe.py 的 _ensure_env() 会无条件确保

asr 组就位，即使传 --model medium/small 也照样先把 2.9GB 的 large-v3 拉下来。

所以本技能不提供小档位选项——统一用 large-v3，既不浪费那 2.9GB，也是中文准确率最好的档位。

依赖自检（与本步并列，仅音视频路径需要）：转写还需要 faster-whisper 等依赖，缺了用同一解释器补：

python -m pip install -i https://pypi.tuna.tsinghua.edu.cn/simple/ 
  "faster-whisper>=1.1,<2" "ctranslate2>=4.0" "av>=11,<19" "numpy>=1.24" onnxruntime sherpa-onnx

av 必须 <19（19 删了 faster-whisper 仍在传的 metadata_errors 参数，装上就崩）。

也可用引擎的体检式安装 setup.py --fix --no-models，但它有一步交互确认，非交互环境要

printf 'yn' | python "$SKILLS/voice-to-minutes/scripts/setup.py" --fix --no-models。

模型缓存在 %LOCALAPPDATA%voice-to-minutesmodels（macOS/Linux 为 ~/.cache/voice-to-minutes/models），

与「录音转纪要」引擎共用同一份，装一次两边都能用；下过一次即永久离线免费，

之后再跑本步会直接体检通过，不再弹卡片。

第 3 步 A · 文字稿 / 字幕直通（零下载，推荐给新手）

python "$SKILL/scripts/parse_transcript.py" "<输入文件>" "<工作目录>/<前缀>"

产出（都在工作目录）：

• <前缀>_ts.txt —— 规范稿，每行 [mm:ss] 说话人：内容（喂给第 4 步）
• <前缀>.txt —— 去时间戳全文（保留说话人）

脚本自动做的事：

• 格式自动识别：srt / vtt / txt / md / docx / pdf / xlsx / csv，无需指定
• 说话人识别：支持 <v 张三>、张三：、张三: 、[张三]、张三␣␣内容 五种常见写法
• 碎句合并：字幕常把一句话切成几条（间隔 < 1.5s 且无句末标点）→ 自动并回一句并补衔接标点
• 重复行去重、PDF 页码噪声剔除
• 元信息行保护：时间：… / 参与：… 这类会议信息不会被误认成说话人
• 表格免表头：xlsx/csv 没有表头时，按"最长列当内容、短且取值少的列当说话人"自动推断

可选参数：

• --no-merge —— 不做碎句合并，保持字幕原样
• --max-gap 2.0 —— 调大合并允许的最大间隔（默认 1.5 秒）

扫描件会明确挡回：没有文字层的 PDF 不会硬编，直接提示先 OCR 或另存为文字稿。

第 3 步 B · 音视频转写（需本地模型，模型已在第 2 步备好）

先抽音轨，产出 16kHz 单声道 wav：

python "$SKILL/scripts/extract_audio.py" "<输入文件>" "<工作目录>/<前缀>.wav"

• 输入已是 wav/mp3/m4a/flac/ogg 等常见音频时，能直通则不重编码。
• 输入是视频时，用 ffmpeg 只抽音轨（丢掉画面，-vn），封装格式无关：实测

mp4 / mkv / mov 均能正确抽出 16k 单声道 wav，且抽出的音轨与原音频长度一致。视频文件本身多大都不影响——只读音轨那一轨，不比同长度音频慢。

• ffmpeg 自动定位：环境变量 FFMPEG_BIN > PATH > ~/.workbuddy/binaries/ffmpeg/**。
• ⚠️ 视频的音轨多为有损压缩（AAC/MP3）。解回 wav 后转写结果与无损音频语义一致，

但可能在个别同音字上有出入，属正常现象；对准确率要求高时，优先要用无损音频（或让用户导出原始录音），并在「待确认」里提示复核。

再调转写引擎（复用「录音转纪要」）：

python "$SKILLS/voice-to-minutes/scripts/transcribe.py" 
  "<工作目录>/<前缀>.wav" "<工作目录>/<前缀>" --diar --language zh

产出：<前缀>_ts.txt（带时间戳逐字稿）、<前缀>.txt、.srt、.vtt、.md、_todo.json。

• 档位用引擎默认的 large-v3：不必传 --model（引擎默认 large-v3，且会先查本地缓存，命中就全离线加载，不再联网）。
• 本技能只下 large-v3，不提供 medium / small 小档位——原因见第 2 步的说明。
• 语言默认 --language zh（中文会议）；粤语会议改用 --language yue——见下方「语言与方言」。
• 已知人数更准：若用户提到"这场是 5 个人"，加 --speakers 5，能明显减少串台。
• 专有名词纠错：人名/产品名要写对时，用 --vocab <术语表文件>（一行一个词）。

语言与方言（重要，实测结论）

模型词表里与中文相关的档位只有两个：zh（普通话）、yue（粤语）——全部 100 个语言档已逐个枚举确认。没有闽南语 / 客家话 / 吴语（上海话）/ 四川话 / 潮汕话等专用档位。实际表现与对策：

为什么不能硬转：Whisper 的中文语料以普通话为主，且模型带「转写 / 翻译」多任务。

遇到没学过的方言，它更倾向输出一段读起来很通顺的普通话，而不是如实记录原话——

这种错误最危险，因为稿子看着"像那么回事"，实则张冠李戴。

怎么判断是不是方言：让用户说一句（"这是粤语会议"）最省事；也可以先不带 --language 跑一次，

引擎会自动识别并打印 [ detected language ] xx (prob=…)——识别成 yue 就是粤语。

一旦确认是非粤语方言，停下来说明情况并建议走 A 路，别交一份看着漂亮、实则失真的纪要。

$SKILL = ~/.workbuddy/skills/会议纪要一键成稿，$SKILLS = ~/.workbuddy/skills。

第 4 步 · 提炼结构化纪要（本技能的核心）

读取 <前缀>_ts.txt（带时间戳、带说话人），按下文「纪要提炼规则」抽取字段，写成一个 JSON 文件 <工作目录>/<前缀>_纪要.json：

{
  "title": "会议主题（2-8 字，从内容归纳，不硬凑）",
  "date": "2026-10-10",
  "time_range": "14:00-15:30",
  "duration": "约 90 分钟",
  "location": "线上 / 会议室（没提到就留空）",
  "attendees": ["张三", "李四", "王五"],
  "recorder": "",
  "summary": "2-3 句话，让没参会的人一眼看懂这场定了什么。",
  "key_points": ["核心要点 1", "核心要点 2", "核心要点 3"],
  "decisions": [
    {"content": "决策内容", "owner": "拍板人（没提到就留空）"}
  ],
  "todos": [
    {"owner": "张三", "task": "事项描述", "deadline": "2026-10-15", "priority": "高", "status": "未开始"}
  ],
  "open_questions": ["悬而未决、没人拍板的问题"],
  "quotes": [
    {"speaker": "张三", "text": "最关键的原话（带说话人，3-5 句即可）"}
  ]
}

字段规则：

• date：按此顺序取 —— ① 文件名里的日期 → ② 内容里明确说出的日期 → ③ 输入文件的修改日期。

凡是走了 ① 或 ③（不是内容里明确说的），都必须在 open_questions 里注明日期来源、提示核对。格式 YYYY-MM-DD。

• ⚠️ 字幕 / 表格稿的坑（实测踩过）：字幕的时间戳是相对的（00:02 这种），文件里往往没有绝对日期。

此时相对时间（"下周三""五个工作日"）无法换算成具体日期——不要猜、不要脑补，deadline 一律填 TBD，把原话写进任务描述（如"原话：下周三之前"），并在待确认区说明"因缺少会议绝对日期，相对时间无法换算"。

• todos[].deadline：原文说了就原样落（"下周三"→换算成具体日期并标注换算依据）；没说就填 "TBD"，绝不编造。
• todos[].priority：原文明确说了轻重缓急才填「高/中/低」，否则留空。
• attendees：来自转写的说话人标签 + 正文中出现的称呼。分不出真名时写「说话人1、说话人2…」，并在 open_questions 里提示"参会人姓名未确认"。
• 没提到的字段一律留空字符串或空数组，不要填"无"以外的臆测内容。

第 5 步 · 生成 Word 文档 → 桌面

python "$SKILL/scripts/build_docx.py" 
  "<工作目录>/<前缀>_纪要.json" 
  --out-dir "$DESKTOP/会议纪要"

• $DESKTOP = 用户桌面，Windows C:/Users/<用户名>/Desktop，macOS/Linux ~/Desktop。
• 输出文件名：YYYY-MM-DD_主题.docx（日期在前、不含空格与特殊字符）。
• 文档版式（标题 / 元信息表 / 摘要 / 要点 / 决策 / 按责任人归类的待办表 / 待确认 / 页脚）见 references/docx-format.md。
• 排版由 python-docx 本地完成，不上传内容、秒级出稿。

第 6 步 · 汇报（一条消息说清）

给用户：

1. 一句话说明这场会议定了什么；
2. Word 文档的完整本地绝对路径 + 文件名；
3. 待办条数与责任人分布（如"共 5 条待办，张三 3 条、李四 2 条"）；
4. 标注不确定项（如"有 2 段没分清说话人，已标待确认"）。

第 7 步 · 发送到企业微信（可选分支，原流程跑完才进，详见 references/wecom-send.md）

只在第 6 步汇报之后执行，且必须先经用户确认；不改动前面任何步骤的产物。

① 选项卡确认（AskUserQuestion，2 个选项）

② 检查企业微信连接

• 查连接器状态（list_installed_plugins 看「企业微信」是否已绑定并启用）。
• 未连接 → 用 search_plugins 找到该连接器，再 suggest_plugin_install 推一张连接入口卡片，

引导用户从左下角「+」→ 连接器 → 企业微信 → 完成授权；授权后复核一次，通过才继续。

• 已连接 → 直接进③。
• CLI 与授权自检（脚本已封装）：

  python "$SKILL/scripts/send_wecom.py" check

③ 选目标并发送（全程选项卡，禁止把会话清单当自由文本罗列）

③-1 先选发送对象类型（AskUserQuestion，2 个选项）：

③-2 若选「发到某个群 / 好友」：

# 列出当前可发送的会话（按最后消息时间倒序，最多 20 个；只输出可读名称，不含任何内部标识）
python "$SKILL/scripts/send_wecom.py" list

• count=0 → 停下来说明，弹一张选项卡给两条出路：「发给我本人」/「我去激活群会话（把机器人拉进群并 @它 发一条任意消息，之后重试）」；不硬发、不反复重试。
• count≥1 → 用选项卡让用户挑目标，并处理 AskUserQuestion 只有 2~4 个选项的上限：
  • 候选 ≤ 3 个 → 每个候选占一项（标注「群聊 / 单聊 + 名称 + 最后消息时间」）。
  • 候选 ≥ 4 个 → 先弹一张卡按类型缩小（「只看群聊」/「只看单聊」/「改用发给我本人」），

再列该类型下最近 3 个 + 「其他会话（在下方输入框填写名称）」。

• 任何时候都不把会话清单当自由文本念给用户选——一律收敛进选项卡。
• 同名多命中时脚本返回 target_ambiguous，按群聊 / 单聊让用户再确认一次（发送时加 --chat-type group|single）。

③-3 发送：

# 发送到群聊 / 单聊（按会话名精确匹配，唯一命中才发）
python "$SKILL/scripts/send_wecom.py" send --file "<桌面/会议纪要/YYYY-MM-DD_主题.docx>" --target "<会话名称>"

# 发送给授权人本人（单聊）
python "$SKILL/scripts/send_wecom.py" send --file "<...>.docx" --to-me

• 脚本自动完成「复制到临时目录 → 上传取素材标识 → 发送 file 消息」，调用方无需关心路径沙箱。
• 输出为 JSON：成功 {"ok": true, "target": "群名", ...}；失败 {"ok": false, "stage": "...", "message": "..."}，

按 stage 给用户分门别类的提示。

④ 能力边界（实测结论，别越界承诺）

• 发群：机器人须先与该群有过消息往来（群里 @它 发一条即可激活），否则该群不在会话列表里 → 发不了。
• 发单聊（授权人本人）：天然可用，无需前置。
• 发单聊（其他好友）：对方须先与机器人聊过，否则无目标可选 —— 这是企微接口的防骚扰规则，不是故障。
• 会话列表为空（count=0）时停下来说明，给出「激活群会话」或「发给自己」两条出路，不要反复重试、不要硬发。

⑤ 汇报口径（只给可读信息）

纪要提炼规则（硬约束，违反即不可信）

1. 不脑补：金额、日期、人名、数量、条款编号必须与转写原文逐字一致；拿不准标「待核实」，绝不替用户补。
2. 不推断：决议、待办、责任人、期限必须是有人明确说过的；没人说的丢进「待确认」，不替人拍板。
3. 区分已定与讨论：明确定下来的进「决策」；倾向性意见、还在讨论的进「待确认」。
4. 说话人标签：转写里 [说话人 N] 保留；能通过上下文确认真名就替换成真名，否则保留编号。
5. 待办按责任人归类：同一责任人的待办聚在一起，按「高→中→低」排序，无优先级按出现顺序。
6. 忠实原意：只做结构化与清洗（去口水词、理顺语序），不改会议实际结论，不添加观点。
7. 长会议分段处理：转写与提炼每段 ≤ 3000 字，最后合并，避免截断遗漏。

待办归类与期限规则

• 归类维度：责任人（owner）。同一人一个分组；无归属的统一进「未分配」组，置末。
• 期限格式：
  • 明确日期 → YYYY-MM-DD；
  • 相对时间（"下周三""月底前"）→ 换算为具体日期，并在格内附注原文，如 2026-10-15（原话：下周三）；
  • 没提 → TBD，并在文档「待确认」区提示"X 条待办缺截止日期"。
• 状态：默认 未开始；原文已说明进展的（"已经在做了"）写 进行中。

输出规范

• 交付物：<桌面>/会议纪要/YYYY-MM-DD_主题.docx
• 中间产物（便于回溯，放同目录 _工作区/）：<前缀>_ts.txt（逐字稿）、<前缀>_纪要.json（结构化数据）。
• 编码：全程 UTF-8；文档内使用正确的 Unicode 字符（— ✅ ⚠️ 📅），禁止 ASCII 近似替代。
• 文件名：严格 YYYY-MM-DD_主题.docx；主题不含 / : * ? " < > | 与空格（空格转下划线）。
• 企微发送（可选）：仅在第 7 步经用户确认后执行；发送对象就是上面这份 docx，不另生成文件；只回报可读名称与结果。

自检清单（出稿前逐条过）

• [ ] 需要用户上传文件时：是不是只发了一句纯文字提示、然后结束本轮停下等待？确认没有弹选项卡（卡片会盖住上传入口、挡住拖文件）？拿到附件/文本后才继续往下走？
• [ ] 走音视频时：第 1 步判定为音视频了吗？模型没就绪时是否用选项卡问过用户（并写明约 5–10 分钟）？

用户是否确认后才下载？vtm_models.py --status 是否已就绪？

• [ ] 音频/视频确实被转成了文字（不是凭空编的）？_ts.txt 存在且非空？
• [ ] 是不是方言？粤语有没有传 --language yue？若是闽南/客家/吴语/四川话等其他方言，

是否停下来说明"无法可靠转写"并建议走 A 路，而不是交一份失真的纪要？

• [ ] 文字稿/字幕是否解析正确？说话人有没有认错（如把「时间：」「参与：」当成说话人）、合并碎句有没有粘连？
• [ ] 说话人是否已识别？分不清的段是否如实标注、没有假装分对？
• [ ] 每条待办是否都有责任人与期限（没有就标 TBD）？
• [ ] 金额 / 日期 / 人名 / 数量是否逐字核对，没脑补？
• [ ] 是否区分了「已定决策」与「待确认」？
• [ ] Word 是否真的生成到了桌面目录？文件名是否合规？
• [ ] 汇报里是否给出了完整的本地绝对路径？
• [ ] 走了第 7 步时：是否先用选项卡问过用户？选「不发送」时是否真的一个动作都没做？

发送目标是否取自本次会话列表的精确匹配（唯一命中才发）？多候选时是否收敛进选项卡（未把会话清单当自由文本念给用户挑）？最终回复是否只出现可读名称、没有任何会话 ID / 用户 ID / 素材 ID / 机器人身份？会话列表为空时是否如实说明而非硬发？

使用约定

1. 零交互优先，但音视频必先确认：能从内容推断的就直接推断（主题、日期、参会人），不打断用户；

唯一例外是音视频路径下模型未就绪时——必须先弹选项卡确认是否下载（约 5–10 分钟），用户同意才下载，其余一律不打扰。推断不确定的在文档与汇报里标注。

1. 缺关键信息才追问：只有当输入文件本身缺失/损坏、或用户意图明显是别的事时才问一句，其余一律先给成品。
2. 做不出就给降级版：转写失败（噪音/音乐/无人声）时，如实说明原因，并把可用的部分（如已有的文字稿）整理成纪要，不硬编。
3. 不碰用户隐私：音频与会议内容不上传第三方，处理全程本机进行（仅支付环节联网校验订单）。
4. 企微发送是可选环节，不越界：只在对应用户确认后执行；用户说不用就不发。发送只回报可读名称（群名 / 文件名 / 结果），

会话 ID、用户 ID、素材 ID、机器人身份等内部信息一律不外露；能力边界（群需先有往来、好友需先聊过）如实告知，不越界承诺。