小宇宙播客笔记生成器
把一条小宇宙单集链接，变成一份类型匹配、可直接归档的 Markdown 笔记。
何时用本技能
- 用户给出小宇宙单集链接（
https://www.xiaoyuzhoufm.com/episode/<id>），想要笔记/总结/逐字稿； - 用户已有音频文件或转录文本，想按类型整理成结构化笔记；
- 用户想批量整理某档播客的多期内容。
总体流程（五步）
- 取数据 —— 用
scripts/fetch_episode.py解析链接，拿到标题、播客名、发布日期、时长、音频直链、shownotes（含图文与图表）、章节；若页面自带官方转录，一并取出。 - 得转录 —— 若第 1 步已有官方转录，直接用；否则下载音频并用
scripts/transcribe.py --backend funasr-local本地转录（带说话人分离）。 - 判类型 —— 根据播客名 + shownotes + 转录开头，判断内容类型，选定模板（见下）。类型不明确时问用户一次。
- 写笔记 —— 由当前 WorkBuddy 内置大模型直接生成：读取对应模板文件，用转录 + shownotes 逐块填充。不要照抄模板里的说明文字，要输出填好的真实内容。
- 存文件 —— 保存两个成品：
<播客名>-<集标题>-笔记.md和<播客名>-<集标题>-逐字稿.txt（逐字稿一并留档），用present_files（若可用）交给用户。
第 1 步：取数据
python scripts/fetch_episode.py "<小宇宙链接或episode_id>" --out ./_work
脚本会在 ./_work/ 下生成：
- meta.json —— 结构化元数据（title / podcast_title / pub_date / duration_sec / audio_url / eid / has_official_transcript）
- shownotes.md —— shownotes 正文（已转 Markdown，保留图片链接和图表说明）
- chapters.json —— 章节时间戳（若有）
- official_transcript.txt —— 官方转录（若页面自带）
加 --download 会把音频存到 ./_work/audio.m4a：
python scripts/fetch_episode.py "<链接>" --out ./_work --download
> 说明：本脚本只处理公开单集。付费或需登录的内容拿不到直链，此时提示用户改用官方 App 导出音频，再走"已自备音频"路径。
第 2 步：得转录（默认本地 FunASR，带说话人分离）
核心原则：笔记必须基于真转录稿，不能只靠 shownotes 推断。 按下面优先级逐级尝试，前一级成功就停：
① 官方转录：若 meta.json 里 has_official_transcript 为真，直接用 official_transcript.txt。最准、零成本，跳过 ASR。
② 本地转录（默认，带说话人分离，模型走 ModelScope）：
首次使用先准备环境（只需一次）：
cd <技能目录>
python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements-local.txt
然后（每期）：
# 1) 下载音频
python scripts/fetch_episode.py "<链接>" --out ./_work --download
# 2) 转录（FunASR：paraformer-zh + cam++ 说话人分离；模型首次自动从 ModelScope 下载约 1GB）
python scripts/transcribe.py ./_work/audio.m4a --out ./_work --backend funasr-local
# 长音频/低内存机器（8GB 内存跑 60 分钟+ 音频）建议加 --chunk-sec 720 自动切段逐段转录：
python scripts/transcribe.py ./_work/audio.m4a --out ./_work --backend funasr-local --chunk-sec 720
- 产物：
./_work/transcript.txt（每句带【说话人N】）+./_work/transcript.srt。 - 全程离线：模型缓存
~/.cache/modelscope，之后不再联网。 - 说话人自动聚类、无需预知人数；如想限制说话人上限可加
--max-speakers 4。 - 长音频内存不足时：
--batch-sec 120（降低单批内存）+--chunk-sec 720（切段转录合并，最稳）。 - 耗时参考：一期 90 分钟音频在 Apple Silicon 上约 30 分钟；多人对谈效果最佳。
- 若 FunASR 分离效果不理想（多人/嘈杂/叠话场景），可改试备用本地后端 whisper+pyannote（
--backend local，需另行安装依赖，见requirements-local.txt注释）。
> ⚠️ 若都失败（付费内容/环境问题），不要用 shownotes 硬凑成"逐字稿笔记"。应如实告知用户没拿到转录，并让其在 front-matter 标注"整理依据：仅 shownotes（未转录）"。
第 3 步：判断内容类型并选模板
看 podcast_title + shownotes.md + 转录前 ~500 字，选一个最贴切的类型：
| 类型 | 触发信号 | 模板文件 |
|---|---|---|
| 财经/投资 | 谈宏观、股市、利率、基金、ETF、财报、投资策略 | templates/finance.md（内含子分支：行情/研报型 与 理念/对谈型，进模板后先按其顶部⓪判定再填） |
| 科技/商业/创投 | 产品、创业、AI、行业分析、公司战略、融资 | templates/tech-business.md |
| 人物/访谈/对谈 | 以嘉宾经历、观点、故事为主，弱结论强叙事 | templates/interview.md |
| 知识/科普/文史 | 讲解某学科、历史、概念、方法论 | templates/knowledge.md |
| 通用/其它 | 以上都不贴切 | templates/general.md |
类型明显就直接用；若在两类之间拿不准，用一句话问用户确认一次，别硬猜。用户也可以指定"就用财经模板"。
第 4 步：写笔记（由 WorkBuddy 内置大模型直接生成）
> 写笔记不绑定外部 LLM：由当前 WorkBuddy 大模型（即本 agent）直接读取模板 + 逐字稿生成。不调用任何外部 LLM API，不配置任何 LLM key。 无 agent 环境时可把 make_notes.py --dump-prompt（见下）导出的提示词贴给任意网页版 AI 兜底。
view选定的模板文件，按它的结构和逐块说明填写。- 每一块都要输出填好的真实内容，不能用"详见原文""同上"占位，也不要把模板里的方括号说明原样留在成品里。
- 所有笔记统一在文件开头加 YAML front-matter：
---
播客: <podcast_title>
单集: <title>
发布日期: <pub_date>
时长: <duration 分钟>
链接: <小宇宙链接>
类型: <财经/科技商业/人物访谈/知识科普/通用>
整理日期: <今天>
---
-
财经类的要求（见
templates/finance.md）：
- 提到股票/基金/ETF 只写名称、不附代码：播客是口播、不会念代码，因此不做代码核实、也不要编造或补全代码。
- 图表必须逐一解读：shownotes / 图文页里的每张图表（K线、趋势图、数据表、结构图）都要分析：①图表类型与核心变量；②关键趋势/拐点/异常值；③与本集论点的关联；④数据来源与时间范围。 -
忠实于音频，不要脑补主讲人没说的判断或数据。模板里要求"若未涉及则如实标注"的地方，就照实写"本集未涉及"。
- 可用联网能力核实术语、背景、人名机构（这是比纯 API 调用更完整的路径）。
无 agent 环境兜底（可选）：导出提示词后粘贴到任意网页版 AI：
python scripts/make_notes.py --work ./_work --type finance --out ./_work/note_prompt.md
第 5 步：输出
保存两个成品文件：
1. <播客名>-<集标题>-笔记.md（文件名去掉非法字符）。
2. <播客名>-<集标题>-逐字稿.txt —— 把 _work/transcript.txt（带 【说话人N】 标注）复制/另存为成品一并留档，方便日后回查原文、核对细节。
两个都用 present_files 交给用户（若可用）；否则告诉用户文件路径。
已自备音频 / 转录文本的情况
- 用户直接给音频文件：跳过第 1 步，从第 2 步转录开始（
--backend funasr-local，输入改为音频文件路径）；元数据向用户补问（节目名、集标题、链接）。 - 用户直接给转录文本或逐字稿：跳过第 1–2 步，从第 3 步选模板开始。
批量整理
用户给多条链接时，对每条依次跑完整流程，每期一个 md 文件，最后可另生成一个 索引.md 汇总各期标题、类型、一句话主旨和文件名。
