会议场景洞察助手

会议记录落地的常见问题

会议记录分散在纪要、转写、任务追踪和即时通讯里，同一个决策会在不同会议中反复出现，状态也可能在后续会议中被修改或撤销。到写周报、月报或项目复盘时，工程和项目经理往往要手动判断哪些信息是有效的，哪些行动项已经闭环，哪些结论有明确出处，耗时且容易遗漏。

按业务场景重组会议数据

meeting-scenarios 面向三类典型输出：周/月报、项目复盘和面试/培训结构化沉淀。它优先按结构化模板生成文档骨架，而不是把会议摘要简单拼接；每个场景都带有自己的质量门禁，例如周报要求行动项有责任人和截止时间，复盘要求每个结论至少关联一条会议证据。

在信息聚合阶段，技能会对重复出现的决策和行动项进行去重与归因，记录首次出现的会议和时间，并在有变更时维护版本链。骨架生成、时间线排序和格式校验交给脚本完成，语义归纳和语气润色则由 LLM 处理，敏感信息、措辞调整和最终审批仍由人工确认。

工作方式与输入来源

使用时先进行场景识别，再按优先级拉取数据：首选 meeting-followup 的 tasks.json 与 minutes.md，其次是效率体检 JSON、tmeet 智能纪要，或用户直接粘贴的文本与口述。数据到位后，generate_skeleton.py 生成对应场景的 MD 骨架，LLM 完成内容填充，validate_output.py 输出质量校验结果。支持 MD、HTML、DOCX 和企微消息等多种交付格式。

适用边界与注意点

该技能不适合替代会议中的讨论与决策本身，它的作用是把已发生的会议数据整理成可审计的业务文档。输入源质量直接影响结果：口述补全、未结构化的转写需要更多人工确认，归因信息可能只能标注为「来源：用户口述」。另外，面试与培训场景涉及隐私和反馈样本量，输出中的联系方式、薪资期望等字段应先脱敏，培训效果评估也应确认反馈覆盖比例后再采纳。