在团队协作和项目管理中会议记录是沉淀共识、追踪任务的核心资产。然而将包含内部讨论、产品规划甚至敏感信息的会议记录上传至第三方云端服务始终伴随着数据安全和隐私泄露的隐忧。你是否也在寻找一种既能高效记录、智能分析又能将数据完全掌控在自己手中的解决方案今天我们将深入拆解一款在 GitHub 上斩获 21K 星的开源神器——Meetily。它不仅仅是一个本地化的会议记录工具更是一个集成了 AI 能力的个人或团队知识库构建平台。本文将带你从零开始完成 Meetily 的本地部署、核心功能实战并深入探讨其架构原理与最佳实践让你彻底告别会议记录“上云”的焦虑打造完全私有的智能会议协作空间。1. Meetily 是什么为什么选择它在深入动手之前我们有必要厘清 Meetily 的核心定位与价值这有助于我们理解后续的配置与使用逻辑。1.1 核心定义与解决痛点Meetily是一个开源的、支持本地部署的智能会议记录与知识管理应用程序。它的核心目标是在保障数据绝对私有的前提下利用现代 AI 技术如大语言模型提升会议记录的效率与价值。它主要解决了以下痛点数据隐私与安全所有数据音频、文本、摘要均存储在您自己的服务器或电脑上无需经过任何第三方服务器从根本上杜绝了数据泄露风险。成本与可控性完全免费开源无需为云服务的订阅费用买单。您可以完全控制软件的版本、功能定制和运行环境。AI 赋能的工作流它并非简单的录音笔。Meetily 集成了语音识别ASR和大型语言模型LLM能够自动将会议录音转为文字并进一步生成会议摘要、提炼行动项Action Items、归纳关键决策极大提升了会议内容的可利用性。知识沉淀与检索所有历史会议记录被结构化存储形成一个可搜索的私有知识库。你可以轻松回溯数月前的会议结论或跨会议检索相关技术讨论。1.2 与云端工具及同类开源方案的对比为了更清晰地定位 Meetily我们可以做一个简单对比特性云端会议工具 (如钉钉/飞书会议、Otter.ai)其他本地录音工具Meetily数据存储服务商云端本地音频文件本地结构化存储AI 能力集成但受服务商限制通常无集成且可自选/本地化 LLM成本订阅制高级功能收费买断或免费完全免费开源可定制性几乎为零低高代码完全开放核心价值便捷、开箱即用隐私、离线隐私 智能 知识管理从对比可以看出Meetily 在“数据私有化”和“AI智能化”之间找到了一个优秀的平衡点特别适合对数据安全有高要求的研发团队、法律顾问、初创公司以及任何希望将会议内容资产化的组织。2. 环境准备与部署规划Meetily 通常采用容器化部署这保证了环境的一致性。以下是部署前的准备工作。2.1 系统与环境要求操作系统推荐 Linux (如 Ubuntu 20.04/22.04, CentOS 7/8) 或 macOS。Windows 可通过 WSL2 获得最佳体验。Docker 与 Docker Compose这是 Meetily 官方推荐的部署方式。请确保已安装Docker Engine 20.10Docker Compose V2硬件资源CPU建议 4 核以上。AI 处理语音识别、摘要生成是计算密集型任务。内存至少 8 GB推荐 16 GB 或更高。运行大语言模型需要较多内存。存储预留 20 GB 以上空间用于存储音频、文本数据和数据库。网络部署机器需要能访问互联网用于初次拉取 Docker 镜像。后续运行可完全离线若使用本地模型。2.2 部署架构概览了解 Meetily 的组件构成有助于排错和后期维护。一个典型的 Meetily 部署包含以下服务前端 (Frontend)基于现代 Web 框架如 React/Vue的用户界面提供会议管理、记录查看、搜索等功能。后端 API (Backend)处理业务逻辑管理会议、用户、任务等。语音识别服务 (ASR Service)将上传的音频文件转换为文本。可能集成 WhisperOpenAI或其他开源 ASR 模型。大语言模型服务 (LLM Service)用于处理文本摘要、行动项提取等。Meetily 可能支持连接 OpenAI API、Azure OpenAI或本地部署的 Llama、ChatGLM 等开源模型。数据库 (Database)存储用户、会议、记录等所有结构化数据通常为 PostgreSQL 或 SQLite。消息队列 (Message Queue, 可选)用于处理异步任务如音频转写、AI 分析提升系统响应速度。对象存储 (Object Storage, 可选)用于存储音频、文件等二进制数据可使用本地文件系统或 MinIO/S3 兼容服务。通过 Docker Compose这些服务会被编排在一起协同工作。3. 实战使用 Docker Compose 一键部署 Meetily这是最主流的部署方式适合绝大多数用户。我们假设你已经在满足条件的 Linux 服务器上。3.1 获取部署配置文件首先我们需要获取 Meetily 的官方部署清单。通常开源项目会将其放在 GitHub 仓库的根目录或deploy子目录下。# 1. 创建一个专用目录并进入 mkdir meetily-deploy cd meetily-deploy # 2. 假设我们直接下载官方的 docker-compose.yml 文件 # 请注意此处URL为示例请替换为Meetily官方仓库的实际raw文件地址。 # 你需要前往 GitHub (例如https://github.com/meetily/meetily) 查找正确的文件。 wget -O docker-compose.yml https://raw.githubusercontent.com/meetily/meetily/main/docker-compose.yml # 3. 通常还需要一个环境变量配置文件 wget -O .env.example https://raw.githubusercontent.com/meetily/meetily/main/.env.example cp .env.example .env重要由于无法访问实时网络以上wget命令的 URL 是假设的。在实际操作中你必须访问 Meetily 的 GitHub 仓库找到最新的docker-compose.yml和.env.example文件。你也可以选择克隆整个仓库git clone https://github.com/meetily/meetily.git cd meetily # 然后使用仓库内的部署文件3.2 配置环境变量.env文件是配置 Meetily 行为的关键。使用文本编辑器如vim或nano打开并修改.env文件。nano .env你需要关注并修改以下核心配置项以下值为示例请根据注释调整# 数据库配置 DATABASE_URLpostgresql://meetily_user:StrongPassword123db:5432/meetily_db # 建议修改 ‘StrongPassword123 为强密码 # 前端访问地址根据你的服务器IP或域名修改 NEXT_PUBLIC_APP_URLhttp://localhost:3000 # 如果对外服务改为 http://your-server-ip:3000 或 https://your-domain.com # AI 服务配置 (关键) # 示例1: 使用 OpenAI 官方 API (数据会出境请注意) OPENAI_API_KEYsk-your-openai-api-key-here ENABLE_AI_SUMMARYtrue AI_PROVIDERopenai # 示例2: 使用本地部署的 Ollama (推荐数据完全私有) # OPENAI_API_KEY # 注释掉或留空 # OLLAMA_API_BASEhttp://ollama-service:11434 # 指向 Ollama 服务地址 # AI_PROVIDERollama # OLLAMA_MODELllama3:8b # 指定使用的模型 # 文件存储路径 (本地存储示例) FILE_STORAGE_PATH/data/meetily/uploads # 确保此目录存在且有写权限 # 密钥用于加密会话等请使用 openssl rand -hex 32 生成 SECRET_KEYyour_generated_32_bytes_hex_secret_here关键决策点AI 服务配置使用云端 API如 OpenAI配置简单效果稳定但会议内容会发送至第三方。使用本地模型如通过 Ollama数据完全私有但需要本地有足够的 GPU/CPU 和内存资源来运行模型且效果取决于所选模型能力。对于追求极致隐私的场景这是唯一选择。3.3 启动 Meetily 服务配置完成后使用 Docker Compose 启动所有服务。# 在包含 docker-compose.yml 和 .env 的目录下执行 docker-compose up -d-d参数表示在后台运行。首次执行会从 Docker Hub 拉取所有必要的镜像可能需要几分钟时间。你可以使用以下命令查看服务状态和日志# 查看所有容器状态 docker-compose ps # 查看具体服务的日志例如后端日志 docker-compose logs backend -f # 查看所有服务的聚合日志 docker-compose logs -f当看到所有服务状态均为Up (healthy)或类似提示且日志中没有持续报错时说明部署成功。3.4 访问与初始化打开浏览器访问你在.env文件中配置的NEXT_PUBLIC_APP_URL例如http://localhost:3000。首次访问通常会跳转到用户注册页面。创建管理员账户输入邮箱、用户名和密码创建第一个用户。这个用户通常会自动获得管理员权限。登录系统使用刚创建的账户登录你将进入 Meetily 的主界面。至此一个完全私有的 Meetily 会议记录平台就已经搭建完成。4. 核心功能实战与代码浅析部署完成只是第一步让我们深入其核心功能看看 Meetily 如何在实际中提升效率。4.1 创建与管理会议登录后你可以点击“新建会议”按钮。填写会议信息输入会议主题、描述、时间、参与者。上传录音文件支持常见的音频格式如.mp3,.wav,.m4a。Meetily 的后端服务会接收到这个文件。后端处理逻辑伪代码示意# 伪代码展示文件接收和任务分发 app.post(/api/meetings/{id}/audio) def upload_audio(meeting_id, audio_file): # 1. 保存音频文件到配置的存储路径 file_path save_to_storage(audio_file) # 2. 在数据库中创建一条录音记录状态为 ‘pending audio_record AudioRecord.create(pathfile_path, statuspending) # 3. 向消息队列发送一个异步任务触发语音识别 task_queue.enqueue(transcribe_audio_task, audio_record.id) return {message: Audio uploaded, processing started.}后台自动处理上传后系统会自动触发流水线音频文件被发送给ASR 服务进行转写。转写得到的文本保存到数据库。文本被发送给LLM 服务生成摘要、行动项和关键词。4.2 AI 能力从录音到结构化知识这是 Meetily 的精华所在。我们看一下它如何调用 AI 服务。语音识别 (ASR)Meetily 可能集成 Whisper。以下是一个调用本地 Whisper 模型的简化示例# 伪代码ASR 服务核心函数 import whisper model whisper.load_model(base) # 加载模型可以是 tiny, base, small, medium, large def transcribe_audio(file_path): result model.transcribe(file_path, languagezh) return result[text]在实际部署中这个服务会被容器化通过 gRPC 或 HTTP API 供后端调用。文本分析与摘要生成 (LLM)后端在拿到转录文本后会构造提示词Prompt调用 LLM。# 伪代码调用 LLM 生成会议摘要和行动项 import openai # 或调用 Ollama、本地 API # 假设使用 OpenAI 格式的 API client openai.OpenAI(api_keysettings.OPENAI_API_KEY, base_urlsettings.OLLAMA_API_BASE) def analyze_meeting_text(transcript): prompt f 你是一个专业的会议助理。请分析以下会议录音转录文本并输出 1. 会议核心摘要不超过200字。 2. 明确的行动项Action Items格式为 [负责人] [具体任务]。 3. 讨论中做出的关键决策。 会议文本 {transcript} response client.chat.completions.create( modelgpt-3.5-turbo, # 或本地模型名如 “llama3:8b” messages[{role: user, content: prompt}], temperature0.3, ) analysis_result response.choices[0].message.content # 解析 analysis_result 提取摘要、行动项等并存入数据库 return parse_ai_response(analysis_result)通过这段逻辑原始的音频文件就变成了包含摘要、行动项、决策点的结构化数据。4.3 知识库与搜索功能所有处理完成的会议记录都会进入 Meetily 的知识库。前端界面会提供搜索框。后端搜索 API 示例app.get(/api/meetings/search) def search_meetings(q: str, user_id: int): # 使用数据库的全文搜索功能如 PostgreSQL 的 pg_trgm 或专用搜索如 Typesense/MeiliSearch # 搜索会议标题、描述、转录文本、AI摘要等字段 query Meeting.query.filter( Meeting.participants.contains(user_id), or_( Meeting.title.ilike(f%{q}%), Meeting.transcript.ilike(f%{q}%), Meeting.ai_summary.ilike(f%{q}%) ) ).all() return serialize(query)前端展示搜索结果会高亮显示关键词并可以按时间、相关性排序让你快速找到数月前关于某个技术栈或业务决策的讨论细节。5. 常见问题与故障排查 (FAQ)在部署和使用过程中你可能会遇到以下问题。5.1 部署启动问题问题现象可能原因排查与解决思路docker-compose up失败提示网络错误1. Docker 服务未运行。2. 镜像拉取地址被阻。1. 运行systemctl status docker检查 Docker 状态。2. 配置 Docker 国内镜像加速器。服务状态一直为unhealthy或不断重启1. 依赖服务如数据库未就绪。2. 环境变量配置错误。3. 端口冲突。1. 查看该容器的日志docker-compose logs service_name。2. 检查.env文件中的连接字符串、密码、URL 是否正确。3. 检查端口是否被占用netstat -tlnp | grep :port。前端访问localhost:3000连接被拒1. 前端服务未成功启动。2. 防火墙限制。3. 在服务器上部署未绑定到0.0.0.0。1. 检查前端容器日志。2. 检查服务器防火墙是否放行了 3000 端口。3. 确保前端配置监听0.0.0.0。5.2 AI 功能相关问题问题现象可能原因排查与解决思路音频上传后一直显示“转写中”无结果1. ASR 服务启动失败或配置错误。2. 消息队列未工作任务未分发。3. 音频格式不支持或文件过大。1. 检查 ASR 服务容器日志。2. 检查 Redis/Celery 等消息队列服务状态。3. 尝试转换音频为标准格式如 16kHz, mono, wav。AI 摘要和行动项生成失败1. LLM 服务配置错误API Key 或地址。2. 本地 LLM 模型未下载或内存不足。3. 提示词Prompt构造出错。1. 检查.env中AI_PROVIDER,OPENAI_API_KEY,OLLAMA_API_BASE配置。2. 如果使用 Ollama进入容器运行ollama list确认模型已拉取。3. 查看后端日志中调用 LLM API 的请求和响应。使用本地模型处理速度极慢本地模型如 7B/13B 参数在 CPU 上推理速度慢。1. 考虑使用更小的模型如 TinyLlama, Phi-2。2. 为服务器增加 GPU 支持并配置 Docker 使用 GPU。3. 调整任务处理为更低优先级或限制并发处理任务数。5.3 数据与存储问题问题现象可能原因排查与解决思路上传文件失败1. 存储路径挂载权限错误。2. 磁盘空间不足。1. 检查docker-compose.yml中的 volumes 映射确保宿主机目录存在且有写权限 (chmod 777是临时方案生产环境应配置正确用户组)。2. 运行df -h检查磁盘空间。搜索功能不生效1. 数据库全文搜索扩展未启用。2. 搜索服务如 Typesense未运行。1. 检查数据库初始化脚本是否包含创建全文搜索索引的步骤。2. 查看专用搜索服务的容器状态和日志。6. 生产环境最佳实践与进阶配置将 Meetily 用于团队或生产环境需要考虑更多。6.1 安全加固修改默认端口不要使用3000,5432等默认端口。在docker-compose.yml中映射到非标准端口。启用 HTTPS使用 Nginx 或 Caddy 作为反向代理配置 SSL 证书Let‘s Encrypt 免费。# Nginx 配置示例片段 server { listen 443 ssl; server_name meetily.yourcompany.com; ssl_certificate /path/to/fullchain.pem; ssl_certificate_key /path/to/privkey.pem; location / { proxy_pass http://localhost:3000; # 指向 Meetily 前端 proxy_set_header Host $host; proxy_set_header X-Real-IP $remote_addr; } # 可能还需要代理后端 API 地址 }数据库密码与密钥.env文件中的密码和SECRET_KEY必须使用强密码且该文件权限应设置为600并纳入.gitignore。定期备份定期备份数据库和上传的文件目录。可以使用docker exec执行pg_dump并结合cron定时任务。6.2 性能与可扩展性分离服务与资源限制在docker-compose.yml中为 CPU/内存密集型服务如 ASR, LLM设置资源限制 (deploy.resources.limits)。services: llm-service: image: ollama/ollama deploy: resources: limits: cpus: 4 memory: 16G使用外部数据库和存储对于团队使用建议将 PostgreSQL 和文件存储如 MinIO 或 AWS S3迁移到独立的、更稳定的服务上而不是使用容器内的临时存储。配置日志收集使用 Docker 的json-file日志驱动并配合logrotate或 ELK/ Loki Grafana 栈进行日志管理和监控。6.3 本地 AI 模型的选型与优化这是实现完全离线、私有化智能的关键。语音识别模型Whisper.cppOpenAI Whisper 的 C 移植版效率极高可在 CPU 上流畅运行base甚至small模型。FunASR阿里巴巴开源的工业级语音识别模型对中文支持可能更优。文本大语言模型轻量级选择TinyLlama(1.1B),Phi-2(2.7B),Qwen1.5-1.8B。这些模型在 CPU 上也可运行适合摘要生成等任务。平衡选择Llama 3 8B,Qwen1.5-7B,ChatGLM3-6B。需要较好的 CPU 或消费级 GPU如 RTX 4060 16GB才能获得可接受的速度。部署工具使用Ollama或LM Studio来管理和运行本地模型最为方便。它们提供了简单的 APIMeetily 的后端可以直接调用。6.4 自定义与二次开发Meetily 是开源项目你可以根据团队需求进行定制。修改提示词 (Prompt)找到后端代码中调用 LLM 生成摘要和行动项的部分修改prompt模板使其更符合你们公司的会议文化例如强制要求每个行动项必须有截止日期。集成内部系统修改后端 API在会议创建或行动项生成时自动在你们的项目管理工具如 Jira, Trello中创建任务。增加新的导出格式开发新功能支持将会议记录一键导出为符合公司规范的 Word 或 PDF 报告。7. 总结通过本文的深度拆解我们从 Meetily 的核心价值、部署实战、功能原理、问题排查到生产级实践完成了一次完整的探索。Meetily 为我们提供了一个优秀的范本如何将强大的 AI 能力与严格的数据隐私控制相结合打造真正属于自己或团队的智能工具。关键收获隐私与智能可兼得通过本地部署和开源模型我们不再需要在“便利性”和“安全性”之间做妥协。Docker 化部署是捷径它极大简化了复杂应用包含多个微服务的部署和依赖管理流程。AI 工作流是核心Meetily 的价值链是“录音 → 转写 → AI 分析 → 结构化知识 → 搜索”这个自动化流程是提升效率的关键。开源意味着自由你可以审计代码、自定义功能、集成内部系统让工具完全适配你的业务流程。下一步行动建议动手部署在你的开发机或一台内部服务器上按照本文的步骤尝试部署一个 Meetily 实例。体验本地 AI尝试配置 Ollama 和一个轻量级模型如Phi-2感受完全离线的 AI 会议摘要生成。思考定制化观察你的团队如何使用它思考最需要定制的一两个功能点比如特定的报告格式、与 Slack 的联动。会议记录不应是散落各处的碎片而应是可检索、可分析、安全可控的团队知识资产。Meetily 为我们打开了这扇门剩下的就是根据实际需求去打磨和运用这件利器了。
在团队协作和项目管理中会议记录是沉淀共识、追踪任务的核心资产。然而将包含内部讨论、产品规划甚至敏感信息的会议记录上传至第三方云端服务始终伴随着数据安全和隐私泄露的隐忧。你是否也在寻找一种既能高效记录、智能分析又能将数据完全掌控在自己手中的解决方案今天我们将深入拆解一款在 GitHub 上斩获 21K 星的开源神器——Meetily。它不仅仅是一个本地化的会议记录工具更是一个集成了 AI 能力的个人或团队知识库构建平台。本文将带你从零开始完成 Meetily 的本地部署、核心功能实战并深入探讨其架构原理与最佳实践让你彻底告别会议记录“上云”的焦虑打造完全私有的智能会议协作空间。1. Meetily 是什么为什么选择它在深入动手之前我们有必要厘清 Meetily 的核心定位与价值这有助于我们理解后续的配置与使用逻辑。1.1 核心定义与解决痛点Meetily是一个开源的、支持本地部署的智能会议记录与知识管理应用程序。它的核心目标是在保障数据绝对私有的前提下利用现代 AI 技术如大语言模型提升会议记录的效率与价值。它主要解决了以下痛点数据隐私与安全所有数据音频、文本、摘要均存储在您自己的服务器或电脑上无需经过任何第三方服务器从根本上杜绝了数据泄露风险。成本与可控性完全免费开源无需为云服务的订阅费用买单。您可以完全控制软件的版本、功能定制和运行环境。AI 赋能的工作流它并非简单的录音笔。Meetily 集成了语音识别ASR和大型语言模型LLM能够自动将会议录音转为文字并进一步生成会议摘要、提炼行动项Action Items、归纳关键决策极大提升了会议内容的可利用性。知识沉淀与检索所有历史会议记录被结构化存储形成一个可搜索的私有知识库。你可以轻松回溯数月前的会议结论或跨会议检索相关技术讨论。1.2 与云端工具及同类开源方案的对比为了更清晰地定位 Meetily我们可以做一个简单对比特性云端会议工具 (如钉钉/飞书会议、Otter.ai)其他本地录音工具Meetily数据存储服务商云端本地音频文件本地结构化存储AI 能力集成但受服务商限制通常无集成且可自选/本地化 LLM成本订阅制高级功能收费买断或免费完全免费开源可定制性几乎为零低高代码完全开放核心价值便捷、开箱即用隐私、离线隐私 智能 知识管理从对比可以看出Meetily 在“数据私有化”和“AI智能化”之间找到了一个优秀的平衡点特别适合对数据安全有高要求的研发团队、法律顾问、初创公司以及任何希望将会议内容资产化的组织。2. 环境准备与部署规划Meetily 通常采用容器化部署这保证了环境的一致性。以下是部署前的准备工作。2.1 系统与环境要求操作系统推荐 Linux (如 Ubuntu 20.04/22.04, CentOS 7/8) 或 macOS。Windows 可通过 WSL2 获得最佳体验。Docker 与 Docker Compose这是 Meetily 官方推荐的部署方式。请确保已安装Docker Engine 20.10Docker Compose V2硬件资源CPU建议 4 核以上。AI 处理语音识别、摘要生成是计算密集型任务。内存至少 8 GB推荐 16 GB 或更高。运行大语言模型需要较多内存。存储预留 20 GB 以上空间用于存储音频、文本数据和数据库。网络部署机器需要能访问互联网用于初次拉取 Docker 镜像。后续运行可完全离线若使用本地模型。2.2 部署架构概览了解 Meetily 的组件构成有助于排错和后期维护。一个典型的 Meetily 部署包含以下服务前端 (Frontend)基于现代 Web 框架如 React/Vue的用户界面提供会议管理、记录查看、搜索等功能。后端 API (Backend)处理业务逻辑管理会议、用户、任务等。语音识别服务 (ASR Service)将上传的音频文件转换为文本。可能集成 WhisperOpenAI或其他开源 ASR 模型。大语言模型服务 (LLM Service)用于处理文本摘要、行动项提取等。Meetily 可能支持连接 OpenAI API、Azure OpenAI或本地部署的 Llama、ChatGLM 等开源模型。数据库 (Database)存储用户、会议、记录等所有结构化数据通常为 PostgreSQL 或 SQLite。消息队列 (Message Queue, 可选)用于处理异步任务如音频转写、AI 分析提升系统响应速度。对象存储 (Object Storage, 可选)用于存储音频、文件等二进制数据可使用本地文件系统或 MinIO/S3 兼容服务。通过 Docker Compose这些服务会被编排在一起协同工作。3. 实战使用 Docker Compose 一键部署 Meetily这是最主流的部署方式适合绝大多数用户。我们假设你已经在满足条件的 Linux 服务器上。3.1 获取部署配置文件首先我们需要获取 Meetily 的官方部署清单。通常开源项目会将其放在 GitHub 仓库的根目录或deploy子目录下。# 1. 创建一个专用目录并进入 mkdir meetily-deploy cd meetily-deploy # 2. 假设我们直接下载官方的 docker-compose.yml 文件 # 请注意此处URL为示例请替换为Meetily官方仓库的实际raw文件地址。 # 你需要前往 GitHub (例如https://github.com/meetily/meetily) 查找正确的文件。 wget -O docker-compose.yml https://raw.githubusercontent.com/meetily/meetily/main/docker-compose.yml # 3. 通常还需要一个环境变量配置文件 wget -O .env.example https://raw.githubusercontent.com/meetily/meetily/main/.env.example cp .env.example .env重要由于无法访问实时网络以上wget命令的 URL 是假设的。在实际操作中你必须访问 Meetily 的 GitHub 仓库找到最新的docker-compose.yml和.env.example文件。你也可以选择克隆整个仓库git clone https://github.com/meetily/meetily.git cd meetily # 然后使用仓库内的部署文件3.2 配置环境变量.env文件是配置 Meetily 行为的关键。使用文本编辑器如vim或nano打开并修改.env文件。nano .env你需要关注并修改以下核心配置项以下值为示例请根据注释调整# 数据库配置 DATABASE_URLpostgresql://meetily_user:StrongPassword123db:5432/meetily_db # 建议修改 ‘StrongPassword123 为强密码 # 前端访问地址根据你的服务器IP或域名修改 NEXT_PUBLIC_APP_URLhttp://localhost:3000 # 如果对外服务改为 http://your-server-ip:3000 或 https://your-domain.com # AI 服务配置 (关键) # 示例1: 使用 OpenAI 官方 API (数据会出境请注意) OPENAI_API_KEYsk-your-openai-api-key-here ENABLE_AI_SUMMARYtrue AI_PROVIDERopenai # 示例2: 使用本地部署的 Ollama (推荐数据完全私有) # OPENAI_API_KEY # 注释掉或留空 # OLLAMA_API_BASEhttp://ollama-service:11434 # 指向 Ollama 服务地址 # AI_PROVIDERollama # OLLAMA_MODELllama3:8b # 指定使用的模型 # 文件存储路径 (本地存储示例) FILE_STORAGE_PATH/data/meetily/uploads # 确保此目录存在且有写权限 # 密钥用于加密会话等请使用 openssl rand -hex 32 生成 SECRET_KEYyour_generated_32_bytes_hex_secret_here关键决策点AI 服务配置使用云端 API如 OpenAI配置简单效果稳定但会议内容会发送至第三方。使用本地模型如通过 Ollama数据完全私有但需要本地有足够的 GPU/CPU 和内存资源来运行模型且效果取决于所选模型能力。对于追求极致隐私的场景这是唯一选择。3.3 启动 Meetily 服务配置完成后使用 Docker Compose 启动所有服务。# 在包含 docker-compose.yml 和 .env 的目录下执行 docker-compose up -d-d参数表示在后台运行。首次执行会从 Docker Hub 拉取所有必要的镜像可能需要几分钟时间。你可以使用以下命令查看服务状态和日志# 查看所有容器状态 docker-compose ps # 查看具体服务的日志例如后端日志 docker-compose logs backend -f # 查看所有服务的聚合日志 docker-compose logs -f当看到所有服务状态均为Up (healthy)或类似提示且日志中没有持续报错时说明部署成功。3.4 访问与初始化打开浏览器访问你在.env文件中配置的NEXT_PUBLIC_APP_URL例如http://localhost:3000。首次访问通常会跳转到用户注册页面。创建管理员账户输入邮箱、用户名和密码创建第一个用户。这个用户通常会自动获得管理员权限。登录系统使用刚创建的账户登录你将进入 Meetily 的主界面。至此一个完全私有的 Meetily 会议记录平台就已经搭建完成。4. 核心功能实战与代码浅析部署完成只是第一步让我们深入其核心功能看看 Meetily 如何在实际中提升效率。4.1 创建与管理会议登录后你可以点击“新建会议”按钮。填写会议信息输入会议主题、描述、时间、参与者。上传录音文件支持常见的音频格式如.mp3,.wav,.m4a。Meetily 的后端服务会接收到这个文件。后端处理逻辑伪代码示意# 伪代码展示文件接收和任务分发 app.post(/api/meetings/{id}/audio) def upload_audio(meeting_id, audio_file): # 1. 保存音频文件到配置的存储路径 file_path save_to_storage(audio_file) # 2. 在数据库中创建一条录音记录状态为 ‘pending audio_record AudioRecord.create(pathfile_path, statuspending) # 3. 向消息队列发送一个异步任务触发语音识别 task_queue.enqueue(transcribe_audio_task, audio_record.id) return {message: Audio uploaded, processing started.}后台自动处理上传后系统会自动触发流水线音频文件被发送给ASR 服务进行转写。转写得到的文本保存到数据库。文本被发送给LLM 服务生成摘要、行动项和关键词。4.2 AI 能力从录音到结构化知识这是 Meetily 的精华所在。我们看一下它如何调用 AI 服务。语音识别 (ASR)Meetily 可能集成 Whisper。以下是一个调用本地 Whisper 模型的简化示例# 伪代码ASR 服务核心函数 import whisper model whisper.load_model(base) # 加载模型可以是 tiny, base, small, medium, large def transcribe_audio(file_path): result model.transcribe(file_path, languagezh) return result[text]在实际部署中这个服务会被容器化通过 gRPC 或 HTTP API 供后端调用。文本分析与摘要生成 (LLM)后端在拿到转录文本后会构造提示词Prompt调用 LLM。# 伪代码调用 LLM 生成会议摘要和行动项 import openai # 或调用 Ollama、本地 API # 假设使用 OpenAI 格式的 API client openai.OpenAI(api_keysettings.OPENAI_API_KEY, base_urlsettings.OLLAMA_API_BASE) def analyze_meeting_text(transcript): prompt f 你是一个专业的会议助理。请分析以下会议录音转录文本并输出 1. 会议核心摘要不超过200字。 2. 明确的行动项Action Items格式为 [负责人] [具体任务]。 3. 讨论中做出的关键决策。 会议文本 {transcript} response client.chat.completions.create( modelgpt-3.5-turbo, # 或本地模型名如 “llama3:8b” messages[{role: user, content: prompt}], temperature0.3, ) analysis_result response.choices[0].message.content # 解析 analysis_result 提取摘要、行动项等并存入数据库 return parse_ai_response(analysis_result)通过这段逻辑原始的音频文件就变成了包含摘要、行动项、决策点的结构化数据。4.3 知识库与搜索功能所有处理完成的会议记录都会进入 Meetily 的知识库。前端界面会提供搜索框。后端搜索 API 示例app.get(/api/meetings/search) def search_meetings(q: str, user_id: int): # 使用数据库的全文搜索功能如 PostgreSQL 的 pg_trgm 或专用搜索如 Typesense/MeiliSearch # 搜索会议标题、描述、转录文本、AI摘要等字段 query Meeting.query.filter( Meeting.participants.contains(user_id), or_( Meeting.title.ilike(f%{q}%), Meeting.transcript.ilike(f%{q}%), Meeting.ai_summary.ilike(f%{q}%) ) ).all() return serialize(query)前端展示搜索结果会高亮显示关键词并可以按时间、相关性排序让你快速找到数月前关于某个技术栈或业务决策的讨论细节。5. 常见问题与故障排查 (FAQ)在部署和使用过程中你可能会遇到以下问题。5.1 部署启动问题问题现象可能原因排查与解决思路docker-compose up失败提示网络错误1. Docker 服务未运行。2. 镜像拉取地址被阻。1. 运行systemctl status docker检查 Docker 状态。2. 配置 Docker 国内镜像加速器。服务状态一直为unhealthy或不断重启1. 依赖服务如数据库未就绪。2. 环境变量配置错误。3. 端口冲突。1. 查看该容器的日志docker-compose logs service_name。2. 检查.env文件中的连接字符串、密码、URL 是否正确。3. 检查端口是否被占用netstat -tlnp | grep :port。前端访问localhost:3000连接被拒1. 前端服务未成功启动。2. 防火墙限制。3. 在服务器上部署未绑定到0.0.0.0。1. 检查前端容器日志。2. 检查服务器防火墙是否放行了 3000 端口。3. 确保前端配置监听0.0.0.0。5.2 AI 功能相关问题问题现象可能原因排查与解决思路音频上传后一直显示“转写中”无结果1. ASR 服务启动失败或配置错误。2. 消息队列未工作任务未分发。3. 音频格式不支持或文件过大。1. 检查 ASR 服务容器日志。2. 检查 Redis/Celery 等消息队列服务状态。3. 尝试转换音频为标准格式如 16kHz, mono, wav。AI 摘要和行动项生成失败1. LLM 服务配置错误API Key 或地址。2. 本地 LLM 模型未下载或内存不足。3. 提示词Prompt构造出错。1. 检查.env中AI_PROVIDER,OPENAI_API_KEY,OLLAMA_API_BASE配置。2. 如果使用 Ollama进入容器运行ollama list确认模型已拉取。3. 查看后端日志中调用 LLM API 的请求和响应。使用本地模型处理速度极慢本地模型如 7B/13B 参数在 CPU 上推理速度慢。1. 考虑使用更小的模型如 TinyLlama, Phi-2。2. 为服务器增加 GPU 支持并配置 Docker 使用 GPU。3. 调整任务处理为更低优先级或限制并发处理任务数。5.3 数据与存储问题问题现象可能原因排查与解决思路上传文件失败1. 存储路径挂载权限错误。2. 磁盘空间不足。1. 检查docker-compose.yml中的 volumes 映射确保宿主机目录存在且有写权限 (chmod 777是临时方案生产环境应配置正确用户组)。2. 运行df -h检查磁盘空间。搜索功能不生效1. 数据库全文搜索扩展未启用。2. 搜索服务如 Typesense未运行。1. 检查数据库初始化脚本是否包含创建全文搜索索引的步骤。2. 查看专用搜索服务的容器状态和日志。6. 生产环境最佳实践与进阶配置将 Meetily 用于团队或生产环境需要考虑更多。6.1 安全加固修改默认端口不要使用3000,5432等默认端口。在docker-compose.yml中映射到非标准端口。启用 HTTPS使用 Nginx 或 Caddy 作为反向代理配置 SSL 证书Let‘s Encrypt 免费。# Nginx 配置示例片段 server { listen 443 ssl; server_name meetily.yourcompany.com; ssl_certificate /path/to/fullchain.pem; ssl_certificate_key /path/to/privkey.pem; location / { proxy_pass http://localhost:3000; # 指向 Meetily 前端 proxy_set_header Host $host; proxy_set_header X-Real-IP $remote_addr; } # 可能还需要代理后端 API 地址 }数据库密码与密钥.env文件中的密码和SECRET_KEY必须使用强密码且该文件权限应设置为600并纳入.gitignore。定期备份定期备份数据库和上传的文件目录。可以使用docker exec执行pg_dump并结合cron定时任务。6.2 性能与可扩展性分离服务与资源限制在docker-compose.yml中为 CPU/内存密集型服务如 ASR, LLM设置资源限制 (deploy.resources.limits)。services: llm-service: image: ollama/ollama deploy: resources: limits: cpus: 4 memory: 16G使用外部数据库和存储对于团队使用建议将 PostgreSQL 和文件存储如 MinIO 或 AWS S3迁移到独立的、更稳定的服务上而不是使用容器内的临时存储。配置日志收集使用 Docker 的json-file日志驱动并配合logrotate或 ELK/ Loki Grafana 栈进行日志管理和监控。6.3 本地 AI 模型的选型与优化这是实现完全离线、私有化智能的关键。语音识别模型Whisper.cppOpenAI Whisper 的 C 移植版效率极高可在 CPU 上流畅运行base甚至small模型。FunASR阿里巴巴开源的工业级语音识别模型对中文支持可能更优。文本大语言模型轻量级选择TinyLlama(1.1B),Phi-2(2.7B),Qwen1.5-1.8B。这些模型在 CPU 上也可运行适合摘要生成等任务。平衡选择Llama 3 8B,Qwen1.5-7B,ChatGLM3-6B。需要较好的 CPU 或消费级 GPU如 RTX 4060 16GB才能获得可接受的速度。部署工具使用Ollama或LM Studio来管理和运行本地模型最为方便。它们提供了简单的 APIMeetily 的后端可以直接调用。6.4 自定义与二次开发Meetily 是开源项目你可以根据团队需求进行定制。修改提示词 (Prompt)找到后端代码中调用 LLM 生成摘要和行动项的部分修改prompt模板使其更符合你们公司的会议文化例如强制要求每个行动项必须有截止日期。集成内部系统修改后端 API在会议创建或行动项生成时自动在你们的项目管理工具如 Jira, Trello中创建任务。增加新的导出格式开发新功能支持将会议记录一键导出为符合公司规范的 Word 或 PDF 报告。7. 总结通过本文的深度拆解我们从 Meetily 的核心价值、部署实战、功能原理、问题排查到生产级实践完成了一次完整的探索。Meetily 为我们提供了一个优秀的范本如何将强大的 AI 能力与严格的数据隐私控制相结合打造真正属于自己或团队的智能工具。关键收获隐私与智能可兼得通过本地部署和开源模型我们不再需要在“便利性”和“安全性”之间做妥协。Docker 化部署是捷径它极大简化了复杂应用包含多个微服务的部署和依赖管理流程。AI 工作流是核心Meetily 的价值链是“录音 → 转写 → AI 分析 → 结构化知识 → 搜索”这个自动化流程是提升效率的关键。开源意味着自由你可以审计代码、自定义功能、集成内部系统让工具完全适配你的业务流程。下一步行动建议动手部署在你的开发机或一台内部服务器上按照本文的步骤尝试部署一个 Meetily 实例。体验本地 AI尝试配置 Ollama 和一个轻量级模型如Phi-2感受完全离线的 AI 会议摘要生成。思考定制化观察你的团队如何使用它思考最需要定制的一两个功能点比如特定的报告格式、与 Slack 的联动。会议记录不应是散落各处的碎片而应是可检索、可分析、安全可控的团队知识资产。Meetily 为我们打开了这扇门剩下的就是根据实际需求去打磨和运用这件利器了。
)
