meeting-summary-mcp · MCP universal de resúmenes de reuniones

Un servidor MCP universal: entrégale cualquier reunión (enlaces de actas/resúmenes de Feishu, rangos de fechas, o transcripciones exportadas de Tencent Meeting, etc.), y automáticamente generará un acta de reunión estándar: Información de la reunión / Resumen de la reunión / Contenido de la reunión / Tareas pendientes · distribuidas por departamento.

Escenario de uso: después de la reunión → deja que la IA lea el contenido de la reunión → genera automáticamente un acta estructurada, y asigna cada tarea pendiente al departamento correspondiente (Producto / Operaciones / Marca…), ahorrando el trabajo manual de organizar y distribuir punto por punto. Admite datos nativos de Feishu + transcripciones de cualquier reunión, sin estar vinculado a una única plataforma de reuniones.

✨ Funciones (Herramientas MCP)

Related MCP server: Feishu/Lark OpenAPI MCP

📦 Instalación

1. Instalar dependencias de Python

pip install mcp

2. Instalar e iniciar sesión en lark-cli (herramienta de línea de comandos de Feishu)

npm install -g lark-cli
lark-cli auth login

Al iniciar sesión, escanea el código QR con tu propia cuenta de Feishu para autorizar, y debes marcar los siguientes ámbitos de permisos (Scope):

vc:meeting.search:read
vc:meeting.meetingevent:read
vc:record:readonly
minutes:minutes.search:read
minutes:minutes.basic:read
minutes:minutes.artifacts:read
minutes:minutes.transcript:export
vc:note:read
docs:document.content:read

Si no los seleccionas todos a la vez, no hay problema; cuando uses una función más adelante, simplemente sigue las indicaciones para completar la autorización.

🔌 Conecta tu cliente de IA

Claude Code (extensión de VS Code / CLI)

En settings.json (a nivel de usuario o proyecto), dentro de mcpServers, añade:

{
  "mcpServers": {
    "meeting-summary": {
      "command": "python",
      "args": ["D:/meeting-summary-mcp/server.py"]
    }
  }
}

Claude Desktop / otros clientes compatibles con MCP

En la configuración MCP del cliente, apunta igualmente a: command: python, args: [ruta absoluta de server.py].

🚀 Ejemplos de uso

Escenario 1: Buscar reuniones de hoy/un día concreto

Pide a la IA que llame a search_meetings("2026-08-21", "2026-08-21") para obtener la lista de reuniones de ese día.

Escenario 2: Convertir un enlace de acta/resumen en tareas pendientes por departamento

1. Proporciona el enlace del acta de la reunión (.../minutes/obcnxxx) a la IA

2. Indica a la IA los cargos de los asistentes, por ejemplo:

   吴楠是北京产品经理，熊燕刚是运营总监，季子禾是直播间运营，
   刘晓曼是品牌运营，紫芙BB是品牌对接，王晨旭是直播间运营负责人

3. La IA llama a organize_todos_by_department, pasando minute_token o link y roles_json, y obtiene:

# 会议待办 · 按部门分发

## 产品/技术部
- [ ] 积分问题排查：…（负责人：吴楠·北京产品经理）

## 直播间运营部
- [ ] 直播间GMV录入：…（负责人：王晨旭·直播间运营负责人）

Escenario 3: Leer la transcripción para un análisis profundo

Llama a fetch_transcript(minute_token) para obtener el texto completo y luego pide a la IA que analice de forma independiente basándose en las intervenciones originales (más preciso que copiar directamente el resumen de la IA).

Escenario 4: Cualquier reunión (Tencent Meeting, etc., sin depender de Feishu)

La transcripción de la reunión exportada desde Tencent Meeting (txt), se entrega directamente a la IA para que la lea con import_meeting_text, y luego se llama a organize_todos_from_text combinando la configuración de cargos para organizar las tareas por departamento:

张三 00:00:10
这个需求需要尽快跟进，明天给产品确认。
李四 00:00:20
培训文档我来输出，会后整理下发给运营。

→ organize_todos_from_text(text, roles_json, title) genera tareas pendientes agrupadas por departamento. Reuniones de WeChat, transcripciones de grabaciones, cualquier transcripción de texto: igual.

🧩 Formato de configuración de cargos roles_json

Parámetro roles_json de organize_todos_by_department:

{
  "吴楠": {"role": "北京产品经理", "department": "产品/技术部"},
  "熊燕刚": {"role": "运营总监", "department": "运营总监"},
  "附子LC-直播运营": {"role": "直播间运营", "department": "直播间运营部"},
  "刘晓曼": {"role": "品牌运营", "department": "品牌运营/品牌对接"}
}

• Clave: nombre del asistente (nombre mostrado en la reunión) o open_id (que comienza con ou_)

• role: cargo; department: departamento (las tareas pendientes se agruparán según esto)

• Las tareas pendientes que no coincidan con ningún departamento se asignan automáticamente a «Pendiente de confirmación / Requiere asignación manual»

Ejemplo en examples/roles_example.json

📄 Formato de salida (plantilla estándar de cuatro secciones)

Plantilla estándar de salida de organize_todos_by_department / organize_todos_from_text:

# 会议纪要 · {会议主题}

## 一、会议信息      （主题 / 时间 / 参会人）
## 二、会议摘要      （一段话概括）
## 三、会议内容      （按议题分节）
## 四、待办事项 · 按部门分发
### 🛠️ 部门A
- [ ] 任务（负责人：xxx·岗位）
### 待确认 / 需人工认领

Explicación de la plantilla y ejemplo real en examples/meeting_template.md

📁 Estructura del proyecto

meeting-summary-mcp/
├── server.py            # MCP 入口（FastMCP + 8 个 tools）
├── feishu_client.py     # lark-cli 封装（搜索/妙记/纪要/逐字稿）
├── organizer.py         # 按部门待办整理逻辑
├── requirements.txt
├── README.md
├── examples/
│   ├── roles_example.json   # 岗位配置示例
│   └── output_example.md    # 生成的按部门待办示例
└── test/
    └── smoke_test.py        # 本机冒烟测试

🧪 Autocomprobación

cd meeting-summary-mcp
python test/smoke_test.py

Requiere que lark-cli esté iniciado sesión y autorizado con los ámbitos correspondientes en el equipo local.

🔄 Compartir con otros

Empaqueta todo el directorio meeting-summary-mcp (zip) y envíalo a la otra persona. Siguiendo los tres pasos de este README «Instalación → Autorización → Conexión», podrá usarlo en su propio cliente de IA + su propia cuenta de Feishu.

Nota: Este MCP accede a Feishu a través de lark-cli; los datos solo se leen dentro del ámbito autorizado de tu cuenta, y no se filtra el contenido de las reuniones entre cuentas.