会议思维
将短暂的会议内容转化为持久的对话智能。
conference minds接收任何记录，并生成一个可查询的知识层，在该层中，每个发言者都成为一个不同的会话代理。问一个问题，得到一个由立场最能解决问题的特定演讲者给出的答案。
会议产生的巨大信号在几天内就会消失。录音存在，但没有人重新观看。摘要淡化了使对话有价值的分歧。会议思维保留了结构：谁说了什么，他们在哪里不同意，他们实际持有什么立场，以及他们留下了什么未解决的问题。
状态
核心管道存在。 说话者提取、主题检测、张力检测和问题路由在纯Python中实现为启发式/基于关键字的处理。基本操作不需要外部API调用。CLI和MCP服务器代码已编写，但尚未进行端到端测试。
这是发射前的基础设施。架构是健全的，数据流是定义的，代码可以编译。缺少的是连接：端到端测试、教程文档、LLM增强提取以及与更广泛的summit composer管道的集成。
建造了什么
核心库 (src/core.py):
- 转录格式自动检测（原始文本、带标签的说话者、SRT、VTT、YouTube）
- 说话人提取和分割
- 通过启发式分析产生灵魂（沟通风格、修辞模式）
- 通过关键字频率提取技能（领域专业知识映射）
- 跨扬声器的主题检测
- 扬声器之间的张力检测
- 加权评分的问题路由（主题匹配、专业知识深度、独特性）
- 带有段落归属的响应格式
- 本地文件持久性(
~/.conference-minds/conferences/)
命令行界面 (scripts/cli.py):
ingest,ask,speakers,themes,tensions,list,export,delete命令- 已编写，尚未使用真实成绩单进行端到端测试
MCP服务器 (scripts/mcp_server.py):
- 通过FastMCP定义的七个工具，带有适当的注释和输入模式
conference_minds_ingest,conference_minds_ask,conference_minds_speakers,conference_minds_themes,conference_minds_tensions,conference_minds_list,conference_minds_delete- 代码存在，未在任何MCP客户端上测试
OpenClaw技能 (SKILL.md, package.json):
- ClawHub技能定义已编写
- 尚未发布
所有处理都在本地运行。核心操作无外部依赖（纯Python stdlib）。没有数据发送到外部服务。
什么尚未建成
下面的一切都是计划好的架构，而不是工作代码。
LLM增强提取：当前管道仅是启发式的。语音配置文件、合成提要生成和角色内代理响应都需要LLM调用。系统提示和数据契约已定义（在summit composer中），但未连接到会议思维中。
MCP服务器集成：这七个工具以代码形式存在，但尚未在Claude Desktop、Cursor或任何MCP客户端上进行测试。这 conference_minds_compose 工具（生成语音配置文件、策划提要、主题标签）已指定但未实现。
端到端测试：不存在教程。从原始成绩单到归因回复，没有经过验证的工作流程。这是最直接的差距。
矢量存储：扬声器段落目前存储为平面JSON文件。没有嵌入，没有语义搜索，没有跨会议检索。
建筑
INGEST EXTRACT SERVE
transcript → speakers[] → routed response
(any format) soul.md + attribution
skills.md
passages[]摄取 接受原始文本、.srt、.vtt、YouTube格式或标记的演讲者成绩单。自动检测格式。清除填充音，合并来自同一扬声器的连续片段。
提取 为每个说话者生成三个工件：灵魂文件（沟通风格、修辞模式、语调）、技能文件（领域专业知识、关键职位）和索引段落。在演讲者中，该系统检测到共同的主题和紧张点。目前启发式。LLM增强了路线图上的提取。
服务 使用加权评分将问题发送给最相关的演讲者。每个回答都包括对特定转录段落的归因。如果两位发言者在这个话题上意见不一致，两种立场都会浮出水面。
支持的转录格式
- 原始粘贴文本
- 带标签的扬声器(
Speaker Name: text) - SRT字幕
- WebVTT字幕
- YouTube文字记录（时间戳+文本）
- 多会话会议的多个文件
计划使用
*这些接口已编写，但尚未验证。此处展示了预期的交互模式。*
命令行界面
# Ingest a transcript
conference-minds ingest --name "AI Summit 2026" --file transcript.txt
# Ask a question
conference-minds ask "Why does Peter prefer CLI over MCP?"
# Explore
conference-minds speakers --detail
conference-minds themes
conference-minds tensions
conference-minds list作为OpenClaw技能（ClawHub）
npx clawhub@latest install schwentker/conference-minds然后与你的经纪人交谈： “获取此会议记录并创建演讲者代理”
作为MCP服务器
添加到您的MCP配置中（克劳德代码、游标等）：
{
"mcpServers": {
"conference-minds": {
"command": "python",
"args": ["-m", "scripts.mcp_server"],
"cwd": "/path/to/conference-minds"
}
}
}更大系统的一部分
会议思维是四部分堆栈中的智能层：
┌──────────────────────────────────────────────────────────────┐
│ Transcription Module │
│ Audio/video → text (Whisper) │
└──────────────┬───────────────────────────────────────────────┘
│
▼
┌──────────────────────────────────────────────────────────────┐
│ conference-minds ◄── YOU ARE HERE │
│ Transcript → speakers, themes, tensions, attributed Q&A │
│ CLI + MCP server + OpenClaw skill │
└──────────────┬───────────────────────────────────────────────┘
│
▼
┌──────────────────────────────────────────────────────────────┐
│ summit-composer │
│ Orchestration: sequence tools, write to Supabase │
│ Multi-provider LLM routing, cost tracking │
└──────────────┬───────────────────────────────────────────────┘
│
▼
┌──────────────────────────────────────────────────────────────┐
│ moltbot-summit │
│ Social feed UI: interactive summit experience │
│ Agent profiles, curated feed, voice output (ElevenLabs) │
└──────────────────────────────────────────────────────────────┘路线图
即时（黑客马拉松冲刺）
- 端到端验证和教程：使用真实的成绩单测试完整的CLI管道。记录从原始成绩单到归因回复的完整工作流程。让初跑体验无缝衔接。
- LLM增强提取：有线多提供商LLM客户端（Gemini Flash用于解析，Gemini Pro用于语音配置文件）。用捕捉实际说话者声音的构图分析取代启发式灵魂/技能生成。
- MCP服务器测试：使用Claude Desktop验证所有七个工具。修复任何损坏的东西。
- 顶峰作曲家融合：将摄取/合成输出连接到Supabase写入。转录输入，活峰会输出，一个API电话。
- 语音表现：ElevenLabs集成，因此扬声器代理以与其音调和注册相匹配的合成语音进行响应。
- 模仿德尔菲原型：使用人工智能领导者公开成绩单的演示峰会。一个可查询的面板，显示会议思维的全部功能。
短期
- 每次会议的矢量存储：使用pgvector（Supabase）或Pinecone嵌入说话者段落进行语义检索。每个会议都有自己的矢量索引，使“查找这位演讲者关于治理的所有内容”查询超越了关键字匹配。嵌入模型：可能
text-embedding-3-small为了提高成本效益，可升级。 - 全球矢量索引：在所有摄入的会议中统一嵌入空间。这释放了扁平存储无法提供的三种功能。首先，跨事件的主题搜索：“每个讨论过人工智能治理的人”返回不同会议上不同演讲者的文章，按相关性排序。其次，说话者轨迹跟踪：同一个人在多个场合的位置，显示他们的思维是如何演变的。第三，跨事件张力映射：相同的基本分歧在不同的会议上独立出现，揭示了一个领域的结构断层线，而不是个人意见。
- 跨峰坚持：同一位演讲者在多个会议上建立了纵向形象。立场在演变。新的紧张局势出现。知识层加深，而不是按事件重置。
- 饲料再生：用不同的编辑方法重新撰写峰会。A/B测试哪个叙事弧线产生的参与度最高。
- ClawHub出版：演讲者技能和灵魂作为便携式代理包。
远地平线：吸收智能
会议思维最初是一种记录工具，但其轨迹指向了更根本的地方。
这个想法的最初版本是在2023年的Buildspace上尝试的：一个可以观看黑客马拉松演示视频并产生结构化智能的系统。不是摘要。吸收。该系统将同时解析语音、视频、幻灯片和实时编码，然后对观察到的内容进行推理。这个团队实际上在建设什么，与他们声称的相比呢？这种方法在规模上有何突破？哪些技术决策揭示了更深层次的架构假设？观看此演示后，资深导师会说什么？
2023年的时机不对。多模态模型无法同时处理视频、音频和代码解析，而真正的推理需要连贯性。上下文窗口太小，无法进行完整的演示会话。跨模式推理的成本使其在研究预算之外不切实际。
现在时机正在趋同。Gemini和Claude本机处理多模式输入。上下文窗口可容纳完整的演示文稿。每个代币的成本已经下降了几个数量级。但缺失的部分从来不是模特本身。这是组成层：该系统知道如何将演示分解为演讲者意图、技术声明、架构决策和未说明的假设，然后将所有这些分解为可操作的情报。
这个组成层是会议头脑正在构建的。如今，它处理文本转录。该架构（说话者提取、专业知识分析、张力检测、归因路由）在设计上是模态无关的。当输入从转录扩展到视频+音频+幻灯片+代码时，提取层会发生变化，但合成智能保持不变。
远景版本：将会议头脑指向黑客马拉松演示流。它看着。它吸收。它确定了每个团队实际构建的内容，这些内容通常与他们呈现的内容不同。它检测到团队尚未发现的技术风险。它描绘了以前尝试过这种方法的地方以及发生了什么。它产生了大多数团队从未获得的指导：具体的、知情的、基于实际展示的内容而非宣传的内容。吸收、推理、反思、预测和推荐应用于现场创意输出。会议思维管道是基础。
隐私
- 核心操作无外部依赖（纯Python stdlib）
- 默认情况下，所有处理都在本地运行
- 除非明确配置了LLM路由，否则不会向外部服务发送数据
- 扬声器代理明确标记为AI重建
- 所有回复中必须注明出处
- 转录数据由操作员控制
链式
会议思维链与其他工具：
- 耳语/转录：摄入前自动转录音频/视频
- 顶峰作曲家：精心策划，打造现场峰会体验
- 莫尔伯特峰：演讲者代理发布到互动社交推送
- 十一实验室：说话者代理的语音表现
- ClawHub：将演讲者技能/灵魂发布为便携式代理包
- docx/pdf：导出为格式化报告
许可证
麻省理工学院