meeting-summary-mcp · Универсальный MCP для сводок совещаний

Универсальный MCP-сервер: передайте ему любое совещание (ссылку на протокол/заметки Feishu, диапазон дат или текстовую расшифровку, экспортированную из Tencent Meeting и т.п.), и он автоматически оформит стандартный протокол совещания — информация о совещании / сводка / содержание / задачи с распределением по отделам.

Сценарий использования: совещание завершилось → поручите ИИ прочитать содержание → автоматически получить структурированный протокол, а также распределить каждую задачу по соответствующему отделу («продуктовый / операционный / брендовый …»), избавив от ручной обработки и рассылки после встречи. Поддерживает нативные данные Feishu + текстовые расшифровки любых совещаний, не привязан к конкретной платформе.

✨ Функции (MCP-инструменты)

Related MCP server: Feishu/Lark OpenAPI MCP

📦 Установка

1. Установка зависимостей Python

pip install mcp

2. Установка и вход в lark-cli (командный инструмент Feishu)

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

При входе авторизуйтесь по QR-коду своей учётной записью Feishu, необходимо отметить следующие области разрешений (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

Если не выбрали всё сразу — не страшно, при использовании конкретной функции просто дополнительно авторизуйте по подсказке.

🔌 Подключение к вашему ИИ-клиенту

Claude Code (расширение VS Code / CLI)

В settings.json (на уровне пользователя или проекта) в mcpServers добавьте:

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

Claude Desktop / другие клиенты с поддержкой MCP

В конфигурации MCP клиента укажите то же самое: command: python, args: [абсолютный путь к server.py].

🚀 Примеры использования

Сценарий 1: поиск совещаний за сегодня/определённый день

Попросите ИИ вызвать search_meetings("2026-08-21", "2026-08-21") — получите список совещаний за этот день.

Сценарий 2: преобразование ссылки на заметки/протокол в задачи по отделам

1. Передайте ИИ ссылку на заметки совещания (.../minutes/obcnxxx)

2. Сообщите ИИ должности участников, например:

   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. ИИ вызывает organize_todos_by_department, передавая minute_token или link и roles_json, и получает:

# 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）

Сценарий 3: глубокий анализ по расшифровке

Вызовите fetch_transcript(minute_token) для получения полного текста, затем попросите ИИ провести независимый анализ на основе исходных выступлений (точнее, чем просто копировать сводку ИИ).

Сценарий 4: любое совещание (без зависимости от Feishu)

Текстовый протокол совещания, экспортированный из Tencent Meeting (txt), передайте ИИ для чтения через import_meeting_text, затем вызовите organize_todos_from_text с конфигурацией должностей для распределения задач по отделам:

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) выводит задачи, сгруппированные по отделам. Аналогично для WeChat Meeting, транскрипции записей и любых текстовых протоколов.

🧩 Формат конфигурации roles_json

Параметр roles_json для 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"}
}

• Ключ: имя участника (отображаемое имя в совещании) или open_id (начинается с ou_)

• role: должность; department: отдел (задачи группируются по этому полю)

• Задачи без совпадения с отделом автоматически попадают в «не подтверждено / требуется ручное назначение»

Пример см. в examples/roles_example.json

📄 Формат вывода (стандартный шаблон из четырёх блоков)

Стандартный шаблон вывода 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

Описание шаблона и реальный пример см. в examples/meeting_template.md

📁 Структура проекта

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

🧪 Самопроверка

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

Требуется, чтобы на этом компьютере lark-cli был авторизован с соответствующими областями.

🔄 Поделиться с другими

Просто упакуйте весь каталог meeting-summary-mcp (zip) и отправьте получателю — он сможет использовать его в своём ИИ-клиенте и своей учётной записи Feishu, выполнив три шага из этого README: «Установка → Авторизация → Подключение».

Примечание: этот MCP обращается к Feishu через lark-cli, данные читаются только в рамках авторизации вашей учётной записи, утечки содержимого совещаний между учётными записями не происходит.