AI会议总结器：基于本地LLM的隐私优先会议记录自动化工具

本文介绍开源工具ai-meeting-summarizer，旨在解决会议记录耗时费力且云端工具存在隐私风险的痛点。该工具基于C# .NET 8开发，利用Ollama本地大语言模型实现完全离线的会议内容自动总结，支持参与者追踪、个人状态更新提取和待办事项生成，核心特点是隐私优先的本地处理。

现代工作环境中，知识工作者每周平均参加15小时以上会议，整理纪要耗时且易遗漏；现有云端AI工具存在敏感数据上传的合规风险。开发者针对此空白，采用.NET 8和Ollama本地推理引擎，遵循Clean Architecture架构，将流程抽象为读取、预处理、总结、评估、输出的管道，保证可维护性与扩展空间。

多格式输入支持

支持纯文本对话（每行发言人姓名开头）和JSON数组格式（兼容Whisper输出），自动检测并预处理转换。

结构化总结生成

输出包含参与者列表、会议概述、个人状态更新（已完成/进行中/阻碍）及行动项清单，提升信息可读性与操作性。

LLM-as-a-Judge质量评估

生成的总结经二次本地模型评估，从完整性、准确性等5维度（0-2分）打分，给出定性评价，为优化提供数据支撑。

所有处理环节均在本地完成，会议数据不离开用户设备，适合处理商业机密或受NDA约束的内容。用户需运行Ollama服务，可使用Llama3、Mistral、Qwen2.5等开源模型；推荐Llama3/Qwen2.5 7B版本，消费级硬件即可平衡性能与质量，显存受限可选Mistral，默认模型可通过配置修改。

遵循分层架构：Domain层定义核心模型（总结/评估结果）；Application层负责管道接口与流程编排；Infrastructure层细分Ollama客户端、文件IO、数据处理。单元测试覆盖率90%+，使用xUnit和Moq；配置文件为appsettings.json，支持自定义Ollama地址、模型、超时等参数。

适用场景：技术团队站会/同步会、处理敏感客户信息的咨询公司、合规要求严格的金融机构等。

当前局限：未集成音频转录（需先转文本）、不支持未标注说话人的自动分离、受本地模型上下文窗口限制（4K-8K token），分块处理功能待开发。

开发计划包括：集成Whisper实现音频到总结全流程自动化；添加说话人分离技术；突破上下文限制的分块处理与多轮总结；开发图形界面；集成Jira、Confluence、Slack等协作工具。

ai-meeting-summarizer聚焦特定场景核心需求，通过合理架构与本地化处理实现隐私与效率的平衡，是重视数据主权又希望享受AI便利的组织值得关注的开源项目。