從錄影到 GitHub：雙周會會議記錄的 AI 自動化工作流實作
在「哈爸實驗室」雙周會 #1 結束後，我嘗試建立了一套「低阻力」的會議後處理流程。目標很明確：不要讓產出會議記錄變成一種負擔，而是透過 AI 工具鏈，在幾分鐘內完成從音訊到 GitHub 存檔的全部動作。 以下是這次實戰的完整工作流： 🛠️ 五步驟 AI 自動化工作流 1. 音訊最佳化：從 MP4 到 Optimized MP3 會議是在 Google Meet 上進行錄影，產出的 MP4 原始檔通常很大（數百 MB），且不便直接上傳 AI 工具。 作法：我使用自製的 media-processor Skill，透過 ffmpeg 自動計算最佳位元率（Bitrate），將影片轉為單聲道、小於 20MB 的 MP3 檔。 關鍵點：這樣的大小最符合 Google NotebookLM 的上傳限制，且能保持語音的清晰度。 2. 建立 AI 脈絡：Agenda 與共筆雜記 AI 需要「背景知識」才能寫出好的紀錄，而不僅僅是逐字稿。 準備：我準備了預定的議程（Agenda）以及在會議中隨手記下的「成員自我介紹雜記」。 角色賦能：告訴 AI 位講者的背景（例如志全的水利專業、Jimmy 的軟體背景），這讓 AI 在辨識聲音與觀點對位時精準度大幅提升。 3. NotebookLM 的深度提煉 將 MP3 與背景雜記上傳至 NotebookLM。 Prompt 策略：不直接使用內建摘要，而是下一段特定的 Prompt，要求 AI 根據「議程框架」去搜尋錄音中的對應片段，並特別強調「Demo 亮點」與「跨界觀點的連結」。 成果：AI 成功抓住了關於「水利編碼有碼無座標」的痛點，以及對 AI Agent 協作中「Human-in-the-loop」的精彩討論。 4. 圖像化摘要：AI 幫你畫重點 NotebookLM 產出的摘要可以進一步產生視覺化的重點圖。將這張圖下載下來，作為會議記錄的封面或視覺補充，能讓讀者一眼看清本次會議的關鍵價值。 ...