【Code With SOLO】用 SOLO 开发飞书会议纪要自动处理 CLI 工具

庄工 · 2026 年4 月 20 日 14:16

【Code With SOLO】用 SOLO 开发飞书会议纪要自动处理 CLI 工具 —— 基于 lark-cli，一键获取转写、AI 提取决策待办、自动创建飞书任务

一、摘要

用 TRAE SOLO 从零开发了一个名为 meeting-processor 的飞书 CLI 工具。会议结束后，只需一条命令即可自动获取会议转写文本，调用 AI（支持 OpenAI/智谱/百炼等多后端）提取关键决策和待办事项，并通过飞书官方 CLI（lark-cli）自动创建飞书任务并分配给对应人员。整个项目经历了从架构设计、全量开发、10 项 Bug 修复、到基于 lark-cli 的完整重构，最终 26 个测试全部通过并推送到 GitHub。

二、背景

我是一名开发者，日常工作中频繁参加飞书视频会议。每次会后都需要：

手动打开飞书妙记查看转写
从冗长的转写中提炼关键决策和待办
手动在飞书任务中创建待办并分配负责人

这个流程每周重复多次，每次至少耗时 30-60 分钟。我希望用 SOLO 开发一个自动化工具，实现"一条命令搞定会后处理"。

三、实践过程

3.1 任务拆解

我将整个项目拆解为以下步骤，逐步交给 SOLO 完成：

步骤	任务	说明
1	需求分析与技术选型	确定 Python + Click + lark-cli 技术栈
2	飞书 API 调研	研究妙记、任务、通讯录等 API 文档
3	项目骨架搭建	pyproject.toml + 8 个模块的目录结构
4	核心模块开发	认证、API 客户端、AI 处理、输出格式化
5	CLI 入口开发	Click 命令组 + Rich 美化输出
6	全面测试与修复	发现并修复 10 个 Bug
7	lark-cli 重构	从 httpx 直接调用重构为基于 lark-cli
8	README + GitHub	完善文档并推送

3.2 关键技术决策

技术栈选择：

Python 3.10+ — 开发效率高，AI SDK 生态成熟
Click — 成熟的 Python CLI 框架
Rich — 终端美化和进度条
lark-cli — 飞书官方 CLI，统一处理认证和 API 调用
OpenAI SDK — 兼容多种 AI 后端（OpenAI/智谱/百炼/自定义）

lark-cli 命令映射设计：

功能	lark-cli 命令	类型
认证检查	lark-cli auth status --format json	快捷命令
获取妙记元信息	lark-cli minutes minutes get --params ‘…’ --format json	快捷命令
获取转写文本	lark-cli api GET …/transcript --params ‘…’ -o -	原始 API
查询用户 ID	lark-cli api POST …/batch_get_id --data ‘…’ --format json	原始 API
创建任务	lark-cli task +create --summary “…” --assignee “ou_xxx” --due “YYYY-MM-DD” --format json	快捷命令

设计说明：lark-cli 提供了 23 个快捷命令（Agent Skills），但转写导出没有快捷命令，邮箱查用户仅支持关键词搜索不支持精确查询，因此这两处使用 lark-cli api 调用原始接口。

3.3 项目架构

meeting-processor/
├── pyproject.toml              # 项目配置（无 httpx 依赖）
├── config.example.yaml         # 配置模板
├── src/meeting_processor/
│   ├── cli.py                  # CLI 入口（Click + Rich）
│   ├── config.py               # 配置管理（YAML + 环境变量）
│   ├── auth.py                 # lark-cli 认证检查
│   ├── feishu_client.py        # 飞书 API 客户端（LarkCliRunner + FeishuClient）
│   ├── ai_processor.py         # AI 处理（多后端支持）
│   ├── processor.py            # 核心流程编排
│   └── output.py               # 输出格式化（Markdown/JSON）
└── tests/
    └── test_meeting_processor.py  # 26 个单元测试

3.4 开发过程中的关键 Prompt

初始需求 Prompt：

开发一个飞书 CLI Skill，命名为 meeting-processor。会议结束后，一键自动获取会议纪要和录音转写，AI 提取关键决策和待办事项，自动创建飞书任务并分配给对应人员。要求：Python 实现，可配置多 AI 后端，需要飞书应用凭证，完整可运行项目。

测试审查 Prompt：

测试确认，全面排查所有的问题

重构 Prompt：

重构为基于 lark-cli 的实现

3.5 踩坑记录与修复

在开发过程中，SOLO 帮我发现并修复了 10 个 Bug：

#	问题	严重程度	修复方式
1	UnboundLocalError：变量在 async with 块外引用	严重	将变量声明提升到 with 块之前
2	build-backend 配置错误	严重	修正为 setuptools.build_meta
3	CLI 命令缺少异常处理	中等	添加 try/except + 友好错误提示
4	raise_for_status 阻塞业务错误检查	中等	改为显式检查 status_code
5	response_format 不兼容智谱/百炼	中等	仅对 OpenAI 原生后端启用
6	非 JSON 错误响应解析崩溃	中等	添加 try/except 保护
7	测试用例未跟随重命名更新	低	同步更新测试代码
8	lark-cli 安装后不在 PATH 中	低	创建符号链接
9	lark-cli docs +create 路径问题	低	使用相对路径
10	整个项目未使用 lark-cli	严重	完整重构为 lark-cli 实现

3.6 lark-cli 重构过程

这是整个开发中最关键的一步。初始版本使用 httpx 直接调用飞书 REST API，需要手动管理 tenant_access_token。SOLO 在我的追问下坦诚地承认了这个问题，随后完成了完整重构：

移除 httpx 依赖，所有飞书 API 调用改为 subprocess 调用 lark-cli
新增 LarkCliRunner 类封装命令执行逻辑
认证从手动 token 管理改为依赖 lark-cli auth status
FeishuConfig（app_id/app_secret）替换为 LarkCliConfig（cli_path）
processor.py 从 async 改为 sync（subprocess 是同步调用）
26 个测试全部重写为 mock subprocess

四、成果展示

4.1 使用方式

# 一键处理会议纪要
meeting-processor process <minute_token>

# 仅获取转写
meeting-processor transcript <minute_token>

# 仅 AI 分析
meeting-processor analyze <minute_token>

# 检查配置和 lark-cli 状态
meeting-processor check

4.2 处理流程

获取妙记元信息 → 获取转写文本 → AI 智能分析 → 自动创建飞书任务 → 生成报告
   (lark-cli)      (lark-cli)    (OpenAI兼容)     (lark-cli)       (MD/JSON)

4.3 输出示例

🚀 Meeting Processor v0.2.0

飞书会议纪要自动处理工具（基于 lark-cli）

📝 会议摘要
  本次会议讨论了 Q3 产品路线图，确定了三个核心方向...

✅ 关键决策 (3 条)
  1. 确认 Q3 重点推进 AI 功能集成
     相关人员: 张三, 李四
  2. ...

📌 待办事项 (4 条)
  🔴 1. 完成 AI 集成技术方案 → 张三 截止: 2025-02-15
  🟡 2. 协调设计资源 → 李四

🚀 飞书任务创建结果
  ✅ 成功: 3  |  ❌ 失败: 1
  ✓ 完成 AI 集成技术方案
  ✓ 协调设计资源
  ✗ 更新竞品分析文档 (未找到用户 open_id)

生成飞书云文档：https://my.feishu.cn/docx/UpWZdv18YoVayIxnwiNcRZxonKf?from=from_copylink

4.4 项目链接

GitHub 仓库： GitHub - peachgreenti/meeting-processor: 飞书会议纪要自动处理 CLI 工具 - 获取会议转写、AI 提取决策和待办、自动创建飞书任务 · GitHub
版本：v0.2.0
测试：26 passed in 0.20s
许可证：MIT

五、效果与总结

提效数据

指标	之前	之后	提升
会后处理时间	30-60 分钟	2-3 分钟	~20x
任务创建	手动逐条创建	自动批量创建	全自动
信息遗漏率	偶有遗漏	AI 全面提取	显著降低