从灵光到落地：用 ModelEngine 可视化编排「会议纪要智能体」——全程 0 代码，2 小时上线！

每日一句正能量

孩子的反抗在大人眼中，也许是可笑而幼稚的，可那是我们唯一知道的方法，悲壮得义无反顾。

目录

1. 为什么选择 ModelEngine？
2. 整体架构一览
3. 步骤 1：知识库自动生成——从 100 份 PDF 到可检索向量
4. 步骤 2：提示词自动生成——LLM 写 LLM 的 Prompt
5. 步骤 3：可视化编排工作流——拖拽节点 = 写代码
6. 步骤 4：多智能体协作——「记录员 × 摘要员 × 审核员」
7. 步骤 5：MCP 服务接入——飞书妙记一键导入
8. 效果与对比（VS Dify/Coze）
9. 踩坑与复盘
10. 开源地址 & 后续计划

---

1. 为什么选择 ModelEngine？

维度	ModelEngine	Dify	Coze
可视化编排	✔ 节点级调试	✔	✖ 仅流程
多智能体	✔ 子流程复用	✖	✖
MCP 插件	✔ 任意 OpenAPI 一键导入	部分	限定
私有部署	✔ 社区版免费	限制	禁止
调试体验	✔ 单步/断点/变量 Watch	日志	日志

一句话：想要「私有 + 可调试 + 子流程复用」的会议纪要流水线，ModelEngine 是当前最优解。

---

2. 整体架构一览

• 输入端：飞书妙记 / 本地录音 → MCP 服务
• 知识库：会议纪要向量库（Chroma）
• 智能体群：
  • 记录员：生成逐字稿
  • 摘要员：3 级摘要（全文/议题/待办）
  • 审核员：格式、敏感词、错别字
• 输出端：飞书多维表 + 企业微信机器人推送

全流程 0 代码，仅靠拖拽与配置完成。

---

3. 步骤 1：知识库自动生成——从 100 份 PDF 到可检索向量

痛点：历史会议纪要散落在飞书文档，新人找不到上下文。

做法：

1. 在 ModelEngine 选择「知识库 → 批量上传」
2. 自动调用「文档解析节点」→ 提取正文、去页眉页脚
3. 内置「向量化节点」：选用 bge-small-zh-v1.5，512 dim，4 线程并发，100 份 PDF 处理耗时 3 分钟
4. 一键生成「会议纪要知识库 ID」，后续智能体通过变量 ${kb_id} 注入

效果：新员工输入「Q3 预算」，Top3 相关纪要召回准确率 92%，平均响应 280 ms。

---

4. 步骤 2：提示词自动生成——LLM 写 LLM 的 Prompt

痛点：提示词全靠程序员手写，换模型就要重写。

做法：

1. 拖拽「提示词生成器节点」
2. 输入「业务场景 = 会议纪要摘要 + 待办提取 + 敏感词过滤」
3. 选择「模型 = GPT-4o-mini」
4. 输出：自动生成的系统提示词 + 用户提示词模板（含变量占位符）

自动生成的提示词片段：

你是一名专业的会议纪要摘要员，请严格遵循以下格式：
1. 全文摘要 ≤ 200 字
2. 议题摘要每条 ≤ 50 字
3. 待办事项格式：【负责人】+ 任务 + 截止时间
4. 过滤敏感词：{{sensitive_words}}
5. 输出 JSON 格式

效果：同场景下换 Qwen2-7B，只需重新生成提示词，0 行代码改动。

---

5. 步骤 3：可视化编排工作流——拖拽节点 = 写代码

核心节点：

• HTTP 输入：接收飞书 WebHook
• 文档解析：MP3 → TXT
• LLM 调用：3 级摘要
• 条件分支：敏感词命中 → 人工审核
• 数据输出：飞书多维表 API

调试体验：

• 单步调试：节点右侧「小虫子」图标，可查看输入/输出/异常
• 断点：支持条件断点（如 summary_len < 100）
• 变量 Watch：实时查看 ${summary}, ${todo_list}

第一次跑通全程，耗时 18 分钟，比手写 Flask 节省 80% 时间。

---

6. 步骤 4：多智能体协作——「记录员 × 摘要员 × 审核员」

痛点：单智能体 Prompt 过长，相互干扰，输出不稳定。

做法：

• 使用「子流程节点」把每个智能体封装为独立流程
• 通过「消息队列节点」异步传递上下文
• 最终「合并节点」统一 JSON 格式输出

性能提升：

• 单 Prompt 长度从 800 token → 280 token
• 输出稳定性（100 次采样）从 71% → 94%
• 平均延迟从 4.2s → 2.1s（并行调用）

---

7. 步骤 5：MCP 服务接入——飞书妙记一键导入

MCP（Model-Connect-Protocol）是 ModelEngine 的开放插件标准，任意 OpenAPI 可 5 分钟接入。

步骤：

1. 上传 OpenAPI JSON → 自动生成 MCP 描述文件
2. 拖拽「MCP 节点」→ 选择「飞书妙记导入」
3. 配置 App ID & Secret → 一键获取分享链接的 MP3 与逐字稿
4. 输出变量 ${transcript} 直接接入知识库

无需写一行 HTTP 调用代码，真正的「拖拽即集成」。

---

8. 效果与对比（VS Dify/Coze）

指标	ModelEngine	Dify	Coze
工作流节点数	12	18（单节点）	不支持子流程
调试断点	✅	❌	❌
多智能体	3 子流程	单 Prompt	单 Prompt
私有部署	✅ 免费	✅ 限制	❌
输出稳定性	94%	78%	71%
搭建时长	2h	4h	3h（需跳转）

结论：ModelEngine 在「调试深度 + 子流程 + 私有」维度领先，适合企业级复杂场景。

---

9. 踩坑与复盘

1. 向量维度不一致
   bge-small-512 vs bge-large-768 → 统一 embedding 模型，重建库。
2. 子流程循环引用
   审核员 → 摘要员 → 审核员，导致栈溢出 → 加「最大递归次数」节点。
3. MCP Token 过期
   飞书 2h 过期 → 加入「自动刷新」节点，每小时刷新一次。

---

10. 开源地址 & 后续计划

• 完整工作流 JSON：MeetMinutes-Agent
• 下一步：
  • 接入「智能表单」：用户勾选「仅输出待办」即可动态改变流程
  • 插件市场发布，供其他企业一键安装

---

结语

从「提示词自动生成」到「多智能体子流程」，ModelEngine 让我第一次感到：
原来大模型落地可以像拼乐高一样简单！

如果你也在为「知识库割裂、提示词难维护、流程难调试」而头疼，不妨打开 ModelEngine，一起用实践为大模型生态铺路。
欢迎评论区交流你的智能体创意，或许下一个开源工作流，就来自你的灵感！

转载自：https://blog.csdn.net/u014727709/article/details/154497894
欢迎 👍点赞✍评论⭐收藏，欢迎指正