实战：封装一个WorkBuddy Skill，自动拉取腾讯会议AI录音笔的线下沟通上下文

一、为什么要把"拉会议纪要"做成Skill

最近腾讯会议AI录音笔从二级功能升级到了首页一级入口（详见 meeting.tencent.com）。这个变化背后有一个容易被忽略的事实：线下沟通的上下文，从此可以被结构化地沉淀下来。

过去我们开完会，纪要散落在聊天工具、本地文档、个人笔记里。团队想复用一次客户沟通的要点，往往要翻聊天记录、找录音、手工整理。当智能体开始承担"整理---归纳---回写"这类重复劳动时，真正该做的不是临时写一段脚本，而是把这件事封装成一个可复用的 Skill。

这正是 WorkBuddy SkillHub 的思路：把高频、标准化的操作沉淀为技能，让任何智能体都能一键调用。配合 MCP 生态，Skill 可以对接会议、文档、表格等外部系统，形成"人机双写"的协作闭环（人机双写能力已于2026年8月上线）。

本文的目标很具体：封装一个 Skill，调用腾讯会议 CLI 拉取某次 AI 录音笔的纪要文本，做摘要后写入企业知识库或智能表格。下面先讲清楚数据流，再给可运行示例。

二、先想清楚数据怎么流

在写代码前，先画出一条最小可用的链路：

复制代码

腾讯会议 AI 录音笔（线下沟通录音）
        │  录音结束自动生成纪要
        ▼
腾讯会议 CLI / 开放接口（按 meeting_id 拉取纪要文本）
        │
        ▼
WorkBuddy Skill（清洗 + 摘要 + 结构化）
        │
        ▼
企业知识库 / 智能表格（供团队检索复用）

关键点有两个：其一，Skill 只负责"编排"，不负责"存储"，存储交给知识库或表格；其二，纪要文本是模型输入，摘要结果才是回写内容。这样职责清晰，后续换存储后端也不会动 Skill 核心逻辑。

三、定义 Skill 的元信息

WorkBuddy 的 Skill 本质上是一段带元数据的指令 + 可执行的工具调用。我们用一个 SKILL.md 来描述它：

复制代码

# meeting-recap-sync
## 功能
拉取指定腾讯会议录音笔纪要，生成结构化摘要并同步到知识库。

## 触发词
"同步会议纪要"、"把录音笔内容写进知识库"、"整理这次沟通要点"

## 参数
- meeting_id: 会议唯一标识（来自腾讯会议 CLI 返回）
- target: 目标存储，可选 knowledge_base / smart_sheet

## 依赖
- 腾讯会议 CLI（已登录且授权）
- 知识库或智能表格写入凭证（环境变量配置）

这段元信息本身是"说明书"，真正干活的是下面的调用逻辑。

四、拉取纪要：调用腾讯会议 CLI

腾讯会议给出了官方开放能力入口（cloud.tencent.com 提供相关 API 文档）。在本地环境，我们优先用 CLI 拉取，避免把密钥写进代码。下面是一段 Python 伪代码，注意所有企业相关域名都用 example.com 占位：

复制代码

import subprocess
import os
import json

def fetch_recording_recap(meeting_id: str) -> dict:
    """
    调用腾讯会议 CLI 拉取某次 AI 录音笔的纪要文本。
    CLI 已在本机登录，凭证不出现在代码里。
    """
    # 真实命令以官方文档为准，这里用占位参数表达意图
    cmd = [
        "tencent-meeting", "recap",
        "--meeting-id", meeting_id,
        "--format", "json"
    ]
    result = subprocess.run(cmd, capture_output=True, text=True, check=True)
    recap = json.loads(result.stdout)

    # 返回结构化字段：标题、要点、待办、时间戳
    return {
        "title": recap.get("title"),
        "bullets": recap.get("summary", []),
        "action_items": recap.get("action_items", []),
        "created_at": recap.get("created_at")
    }

# 示例：拉取一次客户沟通
meeting_id = "example-meeting-001"  # 实际来自 CLI 列表查询
data = fetch_recording_recap(meeting_id)
print(data["title"], "要点数:", len(data["bullets"]))

这里 meeting_id 来自腾讯会议 CLI 的列表查询，而不是硬编码真实会议。占位域名 example.com 仅用于示意配置，不对应任何真实企业。

五、做摘要：让模型压缩上下文

拉到的纪要可能很长。Skill 的价值在于"二次结构化"------把口语化沟通转成可检索的要点：

复制代码

def summarize_for_kb(recap: dict) -> str:
    """
    把纪要要点压缩为适合知识库检索的一段摘要。
    这里用伪代码表达 prompt 编排思路。
    """
    prompt = f"""
    以下是一次线下沟通的纪要，请提炼为 3 条核心结论，
    并保留可执行的待办项：
    标题：{recap['title']}
    要点：{recap['bullets']}
    待办：{recap['action_items']}
    """
    # 调用模型接口，返回纯文本摘要
    summary = call_llm(prompt)  # 伪函数，实际走 WorkBuddy 模型通道
    return summary.strip()

注意：摘要质量取决于 prompt，而不是代码复杂度。把 prompt 写进 Skill，等于把"团队整理纪要的偏好"固化下来。

六、回写：落到知识库或智能表格

最后一步是把结果写进团队可复用的位置。下面用环境变量管理凭证，避免明文：

复制代码

import os
import requests

def write_to_knowledge_base(summary: str, meta: dict):
    """
    把摘要写入企业知识库。域名用 example.com 占位。
    """
    endpoint = os.getenv("KB_API")  # 形如 https://kb.example.com/api/docs
    token = os.getenv("KB_TOKEN")   # 凭证走环境变量，不入库
    payload = {
        "title": f"[会议纪要] {meta['title']}",
        "content": summary,
        "tags": ["meeting-recap", "ai-recorder"]
    }
    # 真实请求以知识库开放接口文档为准
    requests.post(endpoint, json=payload,
                  headers={"Authorization": f"Bearer {token}"},
                  timeout=10)

如果想落到智能表格，只需把 payload 改成行列结构，endpoint 换成表格 API。Skill 核心不变，换存储只是换一个函数。

七、封装成 Skill 的意义

回看整条链路，真正的收益不是"少写几行代码"，而是三件事：

可复用：任何人说"同步会议纪要"，智能体都走同一套逻辑，结果一致。
可编排：在 SkillHub 里，它可以和"写周报""同步企业微信"等技能组合，形成自动化流水线。
可治理：凭证、prompt、存储后端都集中在 Skill 内，便于审计和迭代。

当这类 Skill 在 MCP 生态里越积越多，团队就逐渐从"人写一切"过渡到"人机双写"------人定方向，智能体做重复劳动。这比单次脚本更可持续。

上海华万，专注为企业提供SaaS产品的一站式选型与集成服务。国内产品线涵盖腾讯会议、企业微信、腾讯电子签等腾讯生态产品，国际产品线包括Microsoft Teams、Zoom、DocuSign等协作与签约工具。从需求诊断、产品选型到系统部署、API集成与长期运维，华万为企业量身定制落地路径，覆盖售前咨询、方案设计、部署实施与售后服务全流程。目前已服务制造、零售、教育、金融等多个行业的中小企业客户。