Протокол встречи из транскрипта встречи (SGR)

CLI‑скрипт для генерации протокола совещания из текстового транскрипта по технике Schema‑Guided Reasoning (один вызов LLM с заполнением схемы).

🔥 Хорошо работает даже с локальными 4B-моделями!

Требования

• Установленный uv (запуск и управление зависимостями в Python-проектах)

Настройка

Создайте файл .env в корне проекта на основе .env.example и задайте параметры провайдеров LLM, которых планируете использовать. Достаточно настроить одного из провайдеров (локальный или облачный). Указывайте совместимый с OpenAI API endpoint и ключ, модель — идентификатор модели.

# Локальный провайдер
API_BASE_LOCAL=
API_KEY_LOCAL=
MODEL_LOCAL=

# Облачный провайдер
API_BASE_CLOUD=
API_KEY_CLOUD=
MODEL_CLOUD=

Запуск

Базовый сценарий (по умолчанию - локальный провайдер):

uv run main.py path\to\transcript.txt

Использовать облачного провайдера:

uv run main.py path\to\transcript.txt --online

Переопределить модель для текущего провайдера (по умолчанию - модель, указанная в .env):

uv run main.py path\to\transcript.txt -m model-id

• Для локального распознавания рекомендуется использовать модель qwen/qwen3-4b-2507 (Да, очень маленькая. Да, результаты лучше, чем у больших.)
• Для облачного распознавания рекомендуется использовать модель google/gemini-2.5-pro

Задать температуру семплирования (по умолчанию 0.15):

uv run main.py path\to\transcript.txt -t 0.2

Температура: влияние и рекомендации

• Низкая (0.0–0.2): более детерминированный и фактологичный вывод. Рекомендуется для протоколов.
• Средняя (0.2–0.4): немного больше вариативности формулировок.
• Высокая (0.5+): креативнее, но выше риск отклонений от исходного текста — обычно не нужно для протоколов.

По умолчанию используется 0.15.

Результат

• Итоговый протокол сохраняется рядом с исходным файлом транскрипта под именем вида: <basename>-<тема_встречи>-<model>[<время генерации>].md.

Планы на будущее

• Добавить возможность подключения глоссария терминов для исправления некорректных терминов в протоколе