Kiro Skill 会议纪要自动生成：从 Agent 扩展机制选型到 Whisper 幻觉处理的工程实践

背景

会议录音转纪要是一个典型的重复性工作流：音频提取 → 语音转录 → 幻觉过滤 → 术语修正 → 结构化输出。这个流程包含确定性步骤（转录）和需要智能推理的步骤（修正、生成），适合用 AI Agent 的 Skill 机制来编排。

本文基于亚马逊云科技 Kiro IDE 的 Skill 机制，完整记录从扩展机制选型到 Whisper 幻觉处理的工程实践。

Kiro 四种扩展机制的选型分析

Kiro 提供四种扩展方式，选错会导致过度设计或能力不足：

机制 定位 含外部工具 标准 可移植性
Steering 项目规范约束 否 Kiro 特有 低
Skills 按需能力包 可含脚本 agentskills.io 开放标准 高
Powers MCP 工具+知识 含 MCP Server Kiro 特有 中
Hooks 事件驱动 可执行命令 Kiro 特有 低

会议纪要选 Skill 的理由：不需要 MCP 工具（本地转录即可），需要脚本（转录必须确定性执行），需要可移植（agentskills.io 标准可跨工具复用）。

架构设计

目录结构

.kiro/skills/meeting-minutes/
├── SKILL.md          # 指令编排（渐进式加载）
├── scripts/
│   └── transcribe.py # 确定性转录
└── references/
    └── output-format.md  # 输出格式约束

三层职责分离

  1. SKILL.md（编排层）：定义 6 步执行流程。Kiro 启动时只加载 name+description（1 行 metadata），匹配请求后才加载完整指令。这种渐进式加载策略保持上下文窗口精简。

  2. scripts/（执行层）：转录任务是确定性的——同样的输入必须产生同样的输出。用 Python + mlx-whisper 实现，不依赖 LLM。

  3. references/（约束层）：输出格式模板。没有模板，Agent 每次输出格式不一致；有了模板，质量稳定可控。

执行流程

环境自检 → ffmpeg 转格式(16kHz WAV) → mlx-whisper 转录
→ 幻觉过滤+术语修正(LLM) → 结构化纪要生成 → [可选]日报

Whisper 幻觉问题

mlx-whisper（Whisper large-v3-turbo 的 MLX 优化版）在 Apple Silicon 上性能优异（1 小时录音 ≈ 5-10 分钟），但有一个已知问题：静默段幻觉。

在低音量或静默段落中，Whisper 会生成重复的固定短语（如反复出现的广告词、栏目名）。这些"幻觉"混入转录文本后，会污染纪要质量。

处理策略：在 SKILL.md 第四步明确要求 Agent 识别重复模式并过滤。同时修正语音识别的技术术语错误——这需要上下文理解，正是 LLM 擅长的能力。

设计原则：确定性任务交脚本，智能推理交模型。

description 设计

description: 会议录音转会议纪要。将视频(mp4/mkv/webm)或音频(m4a/mp3/wav/flac)文件
  转录为文字，生成结构化会议纪要。支持生成会议工作日报。
  当用户提到会议录音、会议纪要、转录、transcribe meeting 时激活。

Kiro 用 description 中的关键词判断是否激活 Skill。需要覆盖中英文关键词和常见表述——太泛会误触发，太窄会漏触发。

云端扩展路径

本文方案全在本地运行（隐私+零成本+Apple Silicon 加速）。需要规模化时有两个云端方向：

  1. Amazon Transcribe：托管语音转录，支持说话人识别（Speaker Diarization）、自定义词汇表。改造方式：只修改 transcribe.py。

  2. Amazon Bedrock：用云端 LLM 替代 Kiro Agent 做纪要生成，适合 CI/CD 集成或批量处理。

两种方案都只改执行层脚本，SKILL.md 的编排逻辑不需要变动。

推广到其他场景

会议纪要是一个典型案例。Skill 机制适用于任何包含"确定性步骤 + 智能推理步骤"的重复性工作流：

  • 代码审查：静态分析（脚本）+ 逻辑审查（LLM）
  • 部署检查：健康检查（脚本）+ 异常判断（LLM）
  • 日志分析：日志采集（脚本）+ 模式识别（LLM）

参考资料

posted @ 2026-04-22 09:05  亚马逊云开发者  阅读(22)  评论(0)    收藏  举报