┌─────────────────────────────────────────────────────────────┐
│                    应用交互层 (Application Layer)            │
│  会议助手 / 项目看板 / 智能提醒 / 决策溯源 / 知识问答         │
├─────────────────────────────────────────────────────────────┤
│                    业务编排层 (Orchestration Layer)          │
│  行动项抽取编排 → 实体链接决策 → 跨会议关联推理 → 闭环触发器  │
├─────────────────────────────────────────────────────────────┤
│                    核心算法层 (Core Algorithm Layer)         │
│  ┌──────────────┐  ┌──────────────┐  ┌──────────────────┐   │
│  │ 任务实体链接  │  │ 跨会议关联   │  │ 状态机与闭环引擎 │   │
│  │ (Entity Link)│  │ (X-Meeting)  │  │ (State Machine)  │   │
│  └──────────────┘  └──────────────┘  └──────────────────┘   │
├─────────────────────────────────────────────────────────────┤
│                    数据基座层 (Data Foundation Layer)        │
│  多模态会议语料库 | 企业知识图谱 | 组织架构权限 | 外部系统API  │
└─────────────────────────────────────────────────────────────┘

# 伪代码：双塔向量检索
class DualTowerRetriever:
    def __init__(self, mention_encoder, entity_encoder, faiss_index):
        self.mention_encoder = mention_encoder  # BERT-base + 任务领域继续预训练
        self.entity_encoder = entity_encoder    # 共享权重或独立编码器
        self.index = faiss_index                # IVF_PQ 索引，支持亿级实体毫秒级检索
    
    def retrieve(self, mention_text, top_k=50):
        m_vec = self.mention_encoder.encode(mention_text)
        scores, ids = self.index.search(m_vec, top_k)
        return [(self.entity_store[id], score) for id, score in zip(ids, scores)]

graph LR
    A[TaskEntity v1: 登录页优化] -->|会议2 新增范围| B[TaskEntity v2: 登录页+注册页优化]
    B -->|会议3 变更责任人| C[TaskEntity v3: 责任人变更为全栈组]
    C -->|会议4 拆分子任务| D[TaskEntity v4: 父任务 + 子任务列表]

class CrossMeetingCandidateGenerator:
    def generate(self, new_meeting_id, time_window_days=30):
        candidates = set()
        
        # 路径1：实体共现召回（高精度）
        entities = self.get_meeting_entities(new_meeting_id)
        for e in entities:
            co_meetings = self.entity2meetings[e].filter(
                lambda m: m.date > (new_meeting.date - timedelta(days=time_window_days))
            )
            candidates.update((new_meeting_id, m.id) for m in co_meetings)
        
        # 路径2：语义相似度召回（高召回）
        meeting_emb = self.meeting_encoder.encode(new_meeting_id)
        similar_meetings = self.meeting_index.search(meeting_emb, top_k=100)
        candidates.update((new_meeting_id, m.id) for m in similar_meetings)
        
        # 路径3：人员/项目维度召回（补全长尾）
        participants = self.get_participants(new_meeting_id)
        projects = self.get_projects(new_meeting_id)
        for p in participants:
            candidates.update((new_meeting_id, m.id) for m in self.person2meetings[p])
        for proj in projects:
            candidates.update((new_meeting_id, m.id) for m in self.project2meetings[proj])
        
        return self.deduplicate_and_rank(candidates)

Meeting Pair Encoder:
├── 文本模态：双会议摘要/行动项/关键决策拼接 → Longformer(4096) → [CLS]向量
├── 实体模态：共现实体集合 → GraphSAGE(任务知识图谱) → 聚合向量
├── 结构模态：参与人重叠度、项目重叠度、时间间隔、组织架构距离 → 显式特征向量
└── 时序模态：会议序列位置编码 → 可学习位置嵌入
        ↓
    融合层 → 多头注意力交互 → 分类头(4类关系+无关联)

stateDiagram-v2
    [*] --> DRAFT: 会议中首次提及
    DRAFT --> CONFIRMED: 会议结束/责任人确认
    CONFIRMED --> IN_PROGRESS: 关联代码提交/子任务创建
    IN_PROGRESS --> IN_REVIEW: 提交PR/移入评审列
    IN_REVIEW --> DONE: 合并/验收通过
    IN_REVIEW --> IN_PROGRESS: 评审驳回
    DONE --> CLOSED: 归档/无后续动作 30天
    CONFIRMED --> BLOCKED: 依赖任务未就绪
    BLOCKED --> CONFIRMED: 阻塞解除
    ANY --> CANCELLED: 会议决策取消/废弃

# 伪代码：多模态证据聚合器
class MultiModalEvidenceFuser:
    def __init__(self, asr_segments, screen_events, whiteboard_strokes, slide_changes):
        self.timeline = self._build_unified_timeline(asr_segments)  # 以 ASR 为主轴
        
    def _build_unified_timeline(self, asr_segments):
        # 1. 构建基础网格：按 500ms 切片
        # 2. 将屏幕事件(OCR文本/代码块)、白板笔迹、翻页动作 投影到最近网格
        # 3. 处理时钟漂移：利用「屏幕共享开始/结束」口令与系统日志校准
        pass

    def fuse_for_task_extraction(self, window_start, window_end):
        """为单个候选任务窗口聚合多模态证据包"""
        evidence_pack = {
            "text_context": self._get_asr_context(window_start, window_end),
            "screen_code_snippets": self._get_screen_code(window_start, window_end),  # 关键：变更点定位
            "whiteboard_diagram": self._get_latest_whiteboard_snapshot(window_end),   # 架构决策快照
            "slide_page": self._get_current_slide(window_end),                        # 议程定位
            "speaker_affect": self._get_speaker_affect(window_start, window_end),     # 共识度加权
            "metadata": {"meeting_id": ..., "participants": ...}
        }
        return evidence_pack

## 任务抽取上下文包 (输入模型)
### 语音转写 (00:12:34 - 00:13:15)
"老张，这个 **用户服务的 GetProfile 接口** 延迟太高了，你看下 **第 45 行 的数据库查询**，能不能加个缓存？**下周三前** 搞定。"

### 屏幕共享证据 (同步时刻)
- **活动窗口**: IDE (VS Code) - `user-service/src/controller/UserController.java`
- **高亮代码块**: Line 42-48 `userRepository.findById(id)` (鼠标悬停 3.2s)
- **OCR 识别**: 终端日志 `WARN: Slow query threshold 200ms exceeded`

### 白板快照 (最近更新 00:11:00)
- 绘制「用户服务」→「Redis」→「MySQL」拓扑，标注「缓存层缺失」

### 幻灯片
- 当前页: "Q3 性能优化专项 - 用户服务瓶颈分析"

### 发言人情绪
- Speaker_01 (Tech Lead): 语速平稳、点头确认、无否定 AU
- Speaker_02 (老张): 记笔记动作、微微皱眉(思考)、最终点头

---
### 抽取指令
请输出结构化任务 JSON，重点利用屏幕代码定位精确文件/行号，利用白板拓扑补全技术方案上下文。

graph TD
    User[用户/会议系统] --> Orchestrator[编排器 Orchestrator]
    Orchestrator --> Planner[规划器 Plannern- 任务拆解n- 策略选择]
    Planner --> AgentPool[智能体池]
    
    subgraph AgentPool [专用智能体]
        Extractor[抽取官 Extractorn- 多模态证据理解n- 结构化输出]
        Linker[链接官 Linkern- RAG检索任务库n- 实体消歧决策]
        Analyst[关联分析师 Analystn- 跨会议因果推理n- 冲突/依赖识别]
        Executor[执行官 Executorn- Function Callingn- 系统API调用]
        Reviewer[复核官 Reviewern- 一致性校验n- 合规性审查]
    end
    
    AgentPool --> Tools[工具层 Tools]
    Tools --> VectorDB[(向量库n任务/会议语义检索)]
    Tools --> GraphDB[(图数据库n任务知识图谱)]
    Tools --> PM_System[项目管理系统nJira/飞书/钉钉 API]
    Tools --> Calendar[日历/组织架构 API]
    
    Tools --> Memory[记忆模块 Memory]
    Memory --> STM[短时记忆n当前会议上下文]
    Memory --> LTM[长时记忆n历史决策/偏好/规范]
    Memory --> KG[程序性记忆nSOP/操作手册/失败案例库]
    
    Reviewer --> Orchestrator
    Orchestrator --> User

EXTRACTOR_SYSTEM_PROMPT = """
你是资深技术项目经理，擅长从多模态会议记录中精准抽取行动项。
## 核心原则
1. **证据锚定**：每个字段必须标注证据来源 [ASR:timestamp] [SCREEN:event_id] [WHITEBOARD:snapshot_id]
2. **技术精确**：代码变更必须给出 Repo/文件/行号/函数名；架构变更给出组件/接口/协议
3. **隐性显性化**：识别「我们得解决这个问题」→ 推导具体任务，标注推理链路
4. **拒绝幻觉**：无证据不编造，低置信度字段置 null 并标注 reason

## 输出格式 (JSON Schema 严格校验)
{
  "action_items": [
    {
      "raw_mention": "原文片段",
      "canonical_name": "规范任务名(动宾结构)",
      "description": "含技术上下文的详细描述",
      "assignee_candidates": [{"name": "", "confidence": 0.0, "evidence": ""}],
      "deadline": {"date": "YYYY-MM-DD", "source": "explicit/implicit_inferred", "evidence": ""},
      "priority": "P0/P1/P2",
      "technical_context": {"repo": "", "files": [], "related_components": []},
      "dependencies": [{"description": "", "type": "blocks/blocked_by/relates_to"}],
      "confidence": 0.0,
      "evidence_chain": ["证据ID列表"]
    }
  ]
}
"""

LINKER_SYSTEM_PROMPT = """
## 任务：将新任务实体链接至企业任务知识图谱
## 可用工具
- `search_task_kg(query, top_k=10)`: 语义+结构混合检索
- `get_task_details(task_id)`: 获取任务全量属性(含历史评论、代码关联、子任务树)
- `get_task_history(task_id)`: 获取任务生命周期事件流
- `create_new_task_entity(draft)`: 创建新实体草稿

## 思考步骤
1. 分析新任务核心意图、技术域、业务域
2. 调用 search_task_kg 召回候选集
3. 对 Top-3 候选逐个调用 get_task_details 深度对比 (标题/描述/代码/负责人/项目/时间窗)
4. 判断: 同一实体 / 子任务 / 父任务 / 关联任务 / 全新任务
5. 输出决策及置信度
"""

graph LR
    A[线上推理] --> B{置信度/一致性判断}
    B -->|高置信度/一致| C[自动入库/执行]
    B -->|低置信度/冲突| D[进入标注池]
    D --> E[智能采样策略]
    E --> F[标注平台]
    F --> G[新增标注数据]
    G --> H[模型微调/知识库更新]
    H --> A
    
    subgraph 智能采样策略
        E1[不确定性采样: Entropy最大]
        E2[多样性采样: Embedding聚类中心]
        E3[业务价值采样: 高优先级项目/核心人员]
        E4[错误模式挖掘: 同类错误聚类]
    end

# 核心能力：会议回放引擎 + 自动化评测器
class MeetingIntelligenceEvaluator:
    def __init__(self, golden_meetings: List[GoldenMeeting]):
        self.golden_set = golden_meetings  # 含多模态原始数据 + 专家标注 Ground Truth
    
    def evaluate_pipeline(self, pipeline_version: str) -> EvaluationReport:
        results = []
        for gm in self.golden_set:
            # 1. 重放：模拟实时流式输入
            pred = self._replay_and_predict(gm, pipeline_version)
            # 2. 多维度对比
            metrics = self._compute_metrics(pred, gm.ground_truth)
            results.append(metrics)
        return self._aggregate_report(results)
    
    def _compute_metrics(self, pred, gt):
        return {
            "extraction": self._eval_extraction(pred.items, gt.items),      # 实体/属性/关系 三元组级 F1
            "linking": self._eval_linking(pred.links, gt.links),            # 实体链接准确率
            "cross_meeting": self._eval_relations(pred.relations, gt.relations), # 关系分类 F1
            "closure": self._eval_closure(pred.actions, gt.actions),        # 闭环动作准确性
            "latency": self._profile_latency(pred),                         # 端到端延迟分布
            "cost": self._profile_cost(pred)                                # Token/算力成本
        }