said-done

你说出口，事就办成。

把语音转写变成经过审查、自动执行的任务 —— 一个开源的 MCP 服务

简体中文 · English

📋 使用要求

• 一个提供转写文本的语音服务，包括：

  • 录音硬件：负责录音并转写成文字。推荐作者目前在用的 极米记得手环。

  • 一台 host 主机：能把转写文本同步给 Agent（例如可参考 mnemo-push-public 把转写同步到自己的服务器）。

• 至少一个有效的 Agent 订阅，例如 ChatGPT（Codex）或 Claude（Claude Code）订阅，用来筛选和执行任务。

🚀 让 Agent 帮你一键配置：把下面整段复制，粘贴到 Claude Code、Codex、opencode 等能运行命令的 Agent 里即可。

请帮我安装并配置 said-done MCP 服务（https://github.com/Jimmy2004/said-done），然后带我完整走一遍 setup。按顺序执行：

1. 检查环境：确认已安装 git 和 Python 3.11 或更高版本。缺少的话告诉我如何安装，不要擅自安装系统软件。
2. 安装：把仓库克隆到 ~/said-done（若已存在则执行 git pull），在其中创建虚拟环境 .venv，并运行 .venv/bin/python -m pip install -e .
3. 初始化配置：若 ~/.config/said-done/config.json 不存在，就把仓库里的 config.example.json 复制过去（默认使用 mock 模型、只筛选不执行，是安全的）。
4. 注册 MCP：判断你自己运行在哪个宿主里（Claude Code、Claude Desktop、Codex、opencode 或其他），参照仓库 docs/AGENT_SETUP.md 中对应宿主的写法，把 said-done 注册为 stdio MCP 服务：command 用 .venv/bin/said-done-mcp 的绝对路径，环境变量 SAID_DONE_CONFIG 设为上述配置文件的绝对路径。修改已有配置文件前先备份，并告诉我改了哪个文件。
5. 如果需要重启宿主或重新加载 MCP 才能生效，明确告诉我该怎么做，等我确认后再继续。
6. 连接成功后调用 said-done 的 get_setup_guide 工具，严格按指南逐步带我完成：筛选模型 → 批处理与准入规则 → 转写源 → 执行环境 → 先以只筛选模式观察结果。每一步需要我做选择时，停下来问我，不要替我决定。

安全要求：绝对不要读取凭据 txt 文件的内容，也不要让我在对话中粘贴 API key。凭据只能通过 setup_begin 生成的文件由我自己填写，再由 MCP 导入系统钥匙串；请向我解释为什么你看不到 key。

said-done 是一个本地运行的 MCP 服务：它读取你的语音转写文本，从中找出你随口提到、真正想做的任务，经过严格校验后交给你选择的 AI 执行环境完成。转写来源、筛选模型和执行环境都可以替换；配置由 MCP 宿主里的 Agent 一步步引导完成。

本项目只处理转写文本，不负责录音和语音识别。

工作流程

手动输入 / 文件夹 / 转写 MCP 服务 / 第三方转写源插件
                    │
                转写片段
                    │
          SQLite 存储 + 心跳攒批
                    │
          筛选模型判断 + 严格校验
                    │
          审计记录 → 去重 → 任务状态机
                    │
          预检 → 任务工作区 → 执行环境
                    │                  ▲
               产物校验           宿主认领 / 完成
                    │
             执行结果 + 审计

MCP 宿主 ⇄ stdio 工具 / guide://setup 引导 / setup 提示词
                    │
    config.json + 系统钥匙串（机密单独存放）

常驻调度：said-done run（独立的后台进程）

Related MCP server: moo-tasks

快速开始

需要 Python 3.11 及以上。离线测试不需要任何 API、账号或真实的 CLI。

python -m venv .venv
.venv/bin/python -m pip install -e '.[test]'
mkdir -p ~/.config/said-done
cp config.example.json ~/.config/said-done/config.json
.venv/bin/said-done-mcp
# 等价于：.venv/bin/python -m said_done.mcp_server

示例配置使用 mock 分类器、手动输入转写和 mock 执行器，并开启 screening_only=true（只筛选、不执行）。

接入 MCP 宿主后，让 Agent 调用 get_setup_guide，按顺序完成：筛选模型 → 攒批与准入规则 → 转写来源 → 执行环境。建议先只筛选一段时间，确认判断质量后再允许执行。

MCP 进程默认不会自己轮询，常驻运行请另开后台进程：

.venv/bin/said-done --config ~/.config/said-done/config.json run

完整步骤、凭据安全说明、launchd / systemd 模板，以及 Claude Desktop、Claude Code、Codex、opencode 的接入配置，见 Agent 安装引导。也可以读取资源 guide://setup 或调用提示词 setup。

以 Codex 为例（合并进 ~/.codex/config.toml，并替换绝对路径）：

[mcp_servers.said-done]
command = "/ABS/PROJECT/.venv/bin/said-done-mcp"
[mcp_servers.said-done.env]
SAID_DONE_CONFIG = "/ABS/CONFIG/config.json"

命令行同样可用：submit、process-now、status、task-result、screening-audit 等。

• 配置文件位置：MCP 读取 $SAID_DONE_CONFIG，其次是 $SAID_DONE_HOME/config.json，默认为 ~/.config/said-done/config.json。命令行可以用 --config 显式指定。

• 前后台要一致：后台进程和 MCP 必须使用同一份配置和同一个数据目录。

• 环境变量：统一使用 SAID_DONE_ 前缀。

使用方式

• 配置：setup_status → 导入凭据、选择并测试模型 → explain_screening → 转写来源 → 执行环境 → 审查筛选结果。

• 运行：submit_transcript、process_now、status、list_tasks、task_result。后台进程正在运行时，返回 {"busy": true} 属于正常情况。

• 审计：audit_summary、audit_records。默认隐藏转写正文和证据字段，显式传 include_evidence=true 才会返回。

• 宿主拉取：执行环境选 host 时，调度器完成预检后，宿主用 claim_next_task 认领任务，在工作区里完成，再调用 complete_task 触发产物校验；做不了就 release_task 退回。

默认的攒批与准入规则：

• 每 600 秒检查一次。

• 满足任一条件就送去判断：攒满 200 字、出现触发词、最早一条等待超过 1,800 秒。每批最多 50 段。

• 原话证据、输入路径和产物路径都必须通过严格校验。

以上规则都可以用 configure_screening 修改；不确定时保留默认值即可。

安全模型

凭据怎么保存：API key 不会出现在聊天或配置文件里。

1. setup_begin 创建一个仅本人可读写的 txt。

2. 用户自己填写 key，由本地 MCP 进程把它导入系统钥匙串，再尽力覆盖并删除这个 txt。

3. Agent 只能拿到文件路径、key 的指纹、长度和导入状态。

4. 钥匙串不可用时，会明确提示改为存成未加密的 0600 文件。

调用 API 时，key 只会发给用户自己配置的 API 地址。

这不是绝对隔离：

• 有文件或 shell 权限的 Agent 技术上可以读取那个 txt，安装引导里明确禁止这样做。

• 同一系统用户下的其他程序也可能访问钥匙串。

• 在 SSD / APFS 上，覆盖删除无法保证彻底擦除。

• 如果不小心把 key 贴到了聊天里，请立即去提供商后台换一个新的。

始终生效的保护：

• 原话证据必须逐字出现在转写里；产物只能写到工作区的 output/。

• 文件类任务要先预检，输入只提供只读副本；执行完成后还要校验产物。

• 任务状态机控制每一步；程序崩溃后不会盲目重跑。

• 报错不会回显转写原文，也不会回显提供商返回的错误正文。

需要自己留意的边界：

• CLI 和宿主仍然拥有它们自己的权限。没有系统沙箱的执行环境，即使隔离了工作目录，也不等于有系统级保护。

• 第三方转写源插件是本地运行的 Python 代码，请只安装你信任的插件。

使用订阅前的免责声明：使用订阅分类器之前，必须完整展示下面这段声明，取得明确同意后才能设置 acknowledge_subscription_risk=true：

你选择用个人 ChatGPT/Claude 订阅，以非交互方式自动处理转写。这可能违反提供商的服务条款或使用政策，会消耗订阅额度，可能触发限流、封号或其他处置。本项目与 OpenAI、Anthropic 无关，不作任何保证。一切后果由你自行承担。

支持情况

“✅ 实测通过”指 2026-11-07 在 macOS 上做过真实的端到端测试，其余为按设计实现的状态。测试时的 CLI 版本：codex-cli 0.166.0、Claude Code 2.1.310、opencode 2.1.3。MCP stdio 链路以及 macOS 钥匙串的导入和删除也已实测。

筛选模型

实测用的是 5 条转写：2 条应批准（一个文档任务、一个代码任务），2 条应拒绝（闲聊、转述别人的话），1 条是同一批里提出后又取消。上表所有分类器都是 5/5。

API 格式靠探测确定：导入凭据时，如果没有填写 api_style，会向 /models、/chat/completions、/responses、/messages 发送不带模型的最小请求来判断，不消耗 token，也不靠网址去猜。

• 多种格式都可用时，按 chat-completions、openai-compatible、anthropic 的顺序选择，并列出其他可选项。

• 如果手动填写了格式，同样会探测验证；不匹配只给出警告。

• 探测失败时，key 仍会保存、txt 照样删除，并提示检查地址和 key 或手动填写格式。之后可以用 MCP 工具 probe_api 重新探测。

模型怎么选

• 筛选是轻量的分类任务：

  • 两种订阅默认用最便宜的模型（gpt-6-luna、claude-haiku-5-5）。

  • 标准 OpenAI / Anthropic API：由 Agent 推荐列表里最便宜的模型，用户确认。

  • 其他提供商：由用户用自己的话说想要哪个模型，Agent 查到准确的模型 ID 后请用户确认。

• 执行会写出真实的文档和代码：不设默认模型，也不会沿用筛选模型，由用户自己选，也可以选“沿用该执行环境自身的默认模型”。

Codex 订阅的决策程序模式

模型不靠最后一条消息输出 JSON，而是运行我们提供的一个确定性小程序：

• 没有任务时，运行 decide.py N "理由"。

• 有任务时，先写草稿 JSON，再运行 decide.py submit draft.json。小程序用正式的校验器检查草稿，不通过就打印修改提示，让模型当场修改，最多 5 次。

• 通过后小程序写出结果文件，服务端读取后再完整校验一次。

所以模型说话再多，也不影响结果。test_classifier 会先跑一个 Y/N 冒烟程序，确认 CLI 能正常执行。

已知限制：OpenAI 的严格结构化输出不接受当前的任务 schema（其中有可选字段和开放的字典字段）。因此：

• Codex 订阅默认不传 --output-schema；chat-completions 的 use_response_format 也应保持关闭。schema 写在提示词里，由程序校验并重试。

• 内置的 Codex 模型列表只是示例，可以填写任意模型 ID。

执行环境

未验证的执行环境可能需要先安装相应软件，或修改 said_done/executor/providers/ 下的实现。ChatGPT 桌面应用没有公开的本地自动化接口，只有在所用版本支持所需的 MCP 连接时，才能走宿主拉取模式。

编写转写源插件

第三方包在自己的 pyproject.toml 里声明入口点，安装后就会被自动发现：

[project.entry-points."said_done.sources"]
my-source = "my_package.source:MySource"

入口点指向一个 source 类，构造参数为 (source_id, options, repository)。插件需要：

• 提供一个 Options Pydantic 模型，用于配置发现。

• 实现 id、kind、poll(ctx) -> PollResult、status() -> dict、close()，以及可选的 next_deadline(now)。

• 注意 status 的返回值里不能包含转写原文。

框架提供的支持：

• SourceContext 提供仓库写入、按来源隔离的键值状态和时钟。

• 片段 ID 按来源分命名空间，不同来源之间不会冲突。

• 任何一个来源返回 complete=false，本轮都会推迟判断。

配置示例：

{"id": "notes", "kind": "folder", "options": {"path": "/ABS/TRANSCRIPTS"}}

具体以 list_sources 返回的选项 schema 和设计文档为准。不要在插件配置里写入凭据。

测试

.venv/bin/python -m pytest -q

工具服务层在 said_done/mcp_server/services.py，注册层在 server.py。provider、凭据和运行时相关模块都是延迟导入的，单纯导入 MCP 包不会启动后台任务或外部程序。

旧版 minimax 分类器配置和 MINIMAX_API_KEY 环境变量仍然可用；凭据模板中不再提供这个选项。

设计思路：让 AI 跑程序，而不是相信它的输出

AI 时代，点子比代码更重要。

做这个项目时遇到的最大麻烦，不是代码怎么写，而是 AI 模型不听话：明明要求只输出一段 JSON，它却会加解释、改字段、漏格式，总有预期以外的结果。传统做法是不断加强提示词、再去解析和修补它的输出，但这本质上是在跟模型的"说话习惯"较劲，永远修不完。

换个角度想：无论模型嘴上说什么，它的目标始终是"把任务完成"。 那就别让它"告诉我答案"，而是让它"运行一个程序来交答案"：

• 给它一个很小的、确定性的程序（本项目里是 decide.py）。没有任务就运行 decide.py N "原因"；有任务就写一个草稿，再运行 decide.py submit draft.json。

• 程序当场校验草稿。不合格就打印具体错误，模型为了"完成任务"会自己读报错、修改、重交（有次数上限）。

• 通过后由程序写出结果文件，服务端读取文件并再做一次完整校验。

这样一来，模型说多少废话都无所谓：最终结果来自程序，而不是来自模型的输出文本。不可控的"语言输出"被转换成了可控的"程序执行"。正式使用前，还会先让模型跑一个只回答 Y/N 的小程序，确认它确实能执行命令。

这个思路不局限于本项目。只要遇到"模型总是输出格式不对、内容跑偏"的问题，都可以试试：把要求写成程序，让模型去跑通它，而不是去说服它。

致谢与参考

作者在自己的工作环境中使用 极米记得 手环作为录音转写设备，said-done 最初就是为处理它产生的转写文本而写的。本项目与极米科技无任何关联，也不依赖任何特定设备：只要能产出转写文本，任何来源都可以通过转写源插件接入。

本仓库由私人项目转为公开。作者已尽量清理与具体设备相关的命名，但无法保证完全洗干净：部分变量名、注释或配置项可能仍沿用与之相关的描述，这些都不影响使用。

如果你想参考如何在公网环境下提取并备份极米记得 App 的转写文本，可以参见作者的另一个仓库：Jimmy2004/mnemo-push-public。

许可证

MIT