TaskRadar 从微信工作群与腾讯会议转写中自动聚合「真正派给你的活」：动态源发现、发言人加权、分层 LLM 抽取、多源去重，每条行动项都带可追溯的证据链。
一个研究生 / 项目成员每周身处十余个活跃群聊，上千条消息中真正与自己相关的行动项不到 1%。重要的派活被表情包和闲聊淹没。
「这块博文你来负责」，这样口头布置的任务只存在于录制文件里。会后没人整理 action item，两天后双方都忘了。
对学生，漏掉导师派的活影响培养关系；对企业，漏掉客户群里的需求就是丢单。Otter.ai、飞书妙记都在切这块蛋糕，但都只覆盖单一来源。
核心设计哲学：确定性的活全部脚本化、零 LLM；大模型只在最后一层做语义判断。这带来一个数量级的成本差和完整的证据链。
「钉人不钉群」：以派活主体（导师 / 项目负责人）的 ID 反查其所在的全部群聊，新项目群自动纳入观测，无需维护白名单。
🔴 派活主体发言最高权重；🟡 @我 / 祈使句 / deadline 字样命中启发式；⚪ 其余默认折叠。95% 以上噪音在此处被过滤。
只要群里有人发过录制链接、或自己开了云录制——自动识别链接、自动复用登录态鉴权、自动拉取全文转写，并定位「被点名行」。无需手动复制链接，更不用手动下载逐字稿。
大模型只读加权后的高信号摘要：区分「派给我的活」vs「别人的活」vs「闲聊」，结构化输出任务、来源、期限、可落地度。
同一任务在群里布置过、会议上又强调 → 语义对齐后合并为一条，保留全部来源引用，形成可点击回溯的证据链。
任务的本质是「谁派的」而非「在哪个群」。以人的关系锚定信息源，组织结构变化（新建群、改群名）零配置自适应——这是规则系统做不到、裸 LLM 不划算的中间地带。
抓取、加权、转写下载是确定性工程，交给脚本；「这句话是不是在派活」是语义判断，交给 LLM。各干各擅长的事，可靠性与成本同时优化。
每条行动项必须携带来源引用（哪个群、谁说的、原话、时间），点击即回溯。拒绝"AI 说有这个任务"式的黑箱——可验证性是任务系统被信任的前提。
| 裸 LLM（全文入 prompt） | TaskRadar 分层机制 | |
|---|---|---|
| Token 成本 | 全量文本 ≈ 每周数十万 tokens | 高信号摘要 ≈ 3% 输入量 |
| 新增项目群 | 手动更新数据导出范围 | 派活人反查，自动纳入 |
| 来源追溯 | 生成式引用，可能幻觉 | 结构化引用，逐条可点击回溯 |
| 跨源去重 | 上下文超限时无法对齐 | 显式语义对齐 + 来源合并 |
| 隐私面 | 全部聊天记录出域 | 仅高信号片段进入模型 |
左侧是博文一周的多源消息流（合成演示数据），右侧点击「运行聚合」，观看 pipeline 逐步产出带证据链的 todo。点击 todo 上的来源标签，可回跳到左侧对应原文。
demo 之外，本项目的学术部分是一套针对真实数据的量化评估协议（评估实验进行中，论文中报告）。
| 设置 | 检验什么 | 状态 |
|---|---|---|
| − 会议转写源 | 口头派活的召回贡献 | 进行中 |
| − 发言人加权 | 加权对精确率的贡献 | 进行中 |
| 裸 LLM 全文输入 | 分层机制的质量/成本优势 | 进行中 |