Zui近一直在研究AI会议纪要的功Neng，咱就是说这玩意儿其实挺有意思的。

我们得知道AI会议纪要是个啥，其实就是把开会的内容一下弄成文字版的。

会议纪要的触发时机是用户手动点击生成，或者会议结束后自动触发，后端 会进入生成主链路。

拿到锁以后后端会收集上下文，包括会议标题、成员、说明这些信息。

因为会议是有时间线的，用户后面查kan关联发言、章节时间线、任务来源时dou需要回到原始发言的时间点。

所以我们geng适合按照时间窗口切，比如每 分钟作为一个 chunk，并且在相邻 chunk 之间保留一点 overlap，害，这个 overlap hen重要。

hen明显，针对于长会议，我们无法一次将所有的内容直接发给大模型，而是要拆成多个chunk，于是我们Ke以参考langchain的 mapReduceDocument来解决这个问题。

Map 阶段可Neng成：讨论了接口联调延期可Neng影响验收的问题，并安排人员跟进。

然后这个证据包会被放进 Reduce prompt 里这样Zui终生成纪要时模型kan到的不只是 Map 阶段压缩后的分片摘要，还Nengkan到一部分原始证据。

这样Zuo的好处是每一步输入dou在可控范围内，失败以后也Ke以只重试某一段，而不是整场会议全部重来。

比如有 个 chunk，Ru果直接把 个 chunk 的摘要全部交给Zui终 Reduce，仍然可Neng太长，这时Ke以先每 个摘要合并一次得到 个中间摘要，然后再用这 个中间摘要生成Zui终纪要。

RAG 的全称是 Retrieval-Augmented Generation，说白了就是让模型在生成内容时Ke以参考一些外部信息，而不是仅仅靠自己的理解来生成。

在 Reduce 生成Zui终纪要之前，RAG 链路Ke以先构建一个证据包，这个证据包里会包含一些和会议重点相关的原始字幕片段，比如：任务相关发言、风险相关发言、决策相关发言、未决问题相关发言、章节主题相关发言。

引发一个问题，为什么不直接在提示词中说明，需要指出对应的结论的原文，这样是不是就不需要rag？

其实我一开始并不想把会议纪要Zuo的hen重，Ru果引入向量库，其实是将问题变的geng加复杂了需要调用的东西hen多，hen影响实时输出的等待时间。

但是考虑到会议中的对话的字幕作为会议核心资产，后续肯定需要将其纳入向量库中，所以故此，直接先Zuo一部分rag，Ke以将其作为证据补充。

技术栈： langchain4j + milvus + qwen的embedding模型 + deepseek的chat模型

我们按照这个图进行讲解， 是清洗字幕，然后分块，接着是 MapReduce，Zui后是 RAG 和结构化输出。

个 chunk -> 个局部摘要 -> 每 个合并成 个中间摘要 -> 个中间摘要 -> Zui终会议纪要 为什么百度不收录我的文章？

为什么百度不收录?其实这个问题hen复杂，影响因素hen多，比如网站权重、内容质量、关键词优化等，你得确保你的内容是有价值的，且符合SEO规则。

RAG如何帮助结构化输出？RAG Ke以提供额外的证据，让模型生成的结论geng有依据，这样输出的内容就geng加结构化，也geng可信。

RAG和MapReduce结合使用，Ke以让AI会议纪要既有Neng力，又有依据可查，这对提升用户体验hen重要！你懂的！😄