音视频转录整理助理「小D」

收到播客／视频／会议录音链接，自动下载、转录、整理成分享式提纯稿 —— 保留案例、数字和原话，不是三句话总结。

看它工作

下面是一段预置回放，示例内容为虚构。页面不连接任何后端，也无法调用真实 Agent。

能力边界

写清楚不做什么，和写清楚做什么同样重要。

提纯稿不是摘要

同一段内容的两种处理方式。左边是这个 Agent 明确拒绝产出的。

工作流

每个判断点都有明确依据和两条出路，失败情况都有兜底。

1. 识别来源 —— 小宇宙／B站／YouTube／飞书妙记／本地文件。格式不明确就反问，不猜。
2. 授权检查 —— 疑似付费课程或私密会议，停下来问，未确认不处理。
3. 优先找现成字幕 —— 有逐字稿就直接用，跳过语音识别。
4. 下载与实测时长 —— yt-dlp 取音频，ffprobe 实测时长（不信元数据）。
5. 转录 —— mlx_whisper 带 --initial-prompt，把节目名、嘉宾、专有名词先喂给模型。
6. 清洗 —— 去时间戳、说话人标签、口水话，修错词，清除重复幻觉。
7. 分段与强调 —— 标题必须来自真实内容，禁止「其他有效观点」这类垃圾桶标题。
8. 交付 —— 存 markdown 文件，发送到对话，附正文预览。发送失败退回纯文本分段发送。

工程记录

真实约束下的取舍。这部分比功能列表更能说明这个 Agent 是怎么被造出来的。

一、交付形态被迫改过一次

最初设计的交付物是飞书文档链接。实施时发现该租户不开放云文档 OpenAPI —— 四条路径全部试过：

换用户身份依然被拒，说明限制在租户层面，不是权限配置问题。于是交付形态改为「markdown 文件 + 对话内预览」，岗位目标和质量标准不变，只换载体。

二、转录参数是测出来的，不是猜的

180 秒样本，Apple M4：