1小时播客3分钟看完：我用AI做了一个智能体，能一键进行音频转写、总结提炼，交付一张知识导图海报（附完整prompt）

原创

轻松悠悠

发布于 2026-10-20 18:49:55

2340

最近在做个人知识管理，遇到一个绕不开的问题：播客这种内容形态，信息密度不低，但留存率极差。一个小时多的音频，听完能记住的东西不到50%。想回头找某个观点，只能拖进度条重听。做笔记又顾此失彼——手在打字，耳朵就漏了。我试过用 AI 做摘要，拿到一段300字的文字，看完就关了，跟没看差不多。后来换了个思路：不要摘要，要结构。让 AI 把整集内容拆成有层级的框架，再排成一张图。这篇文章把整个实现过程拆开讲，包括我踩的坑和每个阶段能直接复用的 Prompt。

这次我选择的工具是AiPy，是一个桌面的智能体，你们可以自行选择用得顺的工具，我这个10分钟左右就把智能体做出来了。

一、先看看成果

和普通 AI 摘要的差异

普通摘要输出的是一段文字，信息被压平了，看不出主次。而我用AiPy做的这个，框架拆解输出的是一棵树：7 个板块，每个板块 3-6 个要点，要点之间有逻辑递进关系。你能看到作者是怎么一步步推到结论的。这个差别在复习的时候特别明显。摘要看完还是记不住，框架图扫一眼就能回忆起整集的骨架。

二、实现流程

整个流程分 5 个阶段。不需要写代码，但需要理解每一步在干什么。

阶段一：立项 —— 让 AI 理解你要造什么

目标：把模糊的想法，变成 AI 能执行的开发任务书

Prompt（直接复制）：

我要做一个工具，帮我把它开发出来。【工具定位】输入：一个播客单集链接（小宇宙/苹果播客/Spotify/喜马拉雅/YouTube/B站）输出：一张知识导图海报（PNG）+ 一个可交互网页（HTML）+ 一份文字稿（Markdown）【核心流程】 1. 抓取链接页面的元信息（标题、主播、时长、简介、Show Notes、音频直链） 2. 把音频转成带时间戳的逐字稿 3. 把逐字稿拆成有层级的知识框架（板块 + 要点 + 金句 + 行动清单） 4. 生成东方玄学风格的背景底图 5. 把框架和底图合成知识导图海报【技术要求】 - 全程用 Python，不需要我写代码 - 每一步都要能独立运行、独立调试 - 遇到接口不可用要有备选方案 - 最终交付：一个能一键跑通的脚本 + 使用说明请先给我一份开发计划，说明每一步用什么技术、可能遇到什么问题、怎么解决。

AiPy 会做什么：

输出一份分阶段的开发计划
列出每步的技术选型（requests / faster-whisper / HTML+CSS / Chrome 无头截图）
预判可能的失败点（接口报错、模型下载失败、版本不兼容）
给出备选方案

关键点：这一步不要急着让 AI 写代码。先让它把计划说清楚，你确认没问题再往下走。计划错了，后面全白干。

阶段二：造第一块 —— 内容抓取模块

目标：让 AI 写出能从任意播客链接抓到完整信息的代码

Prompt（直接复制）：

开始开发第一步：内容抓取模块。【要求】写一个函数 fetch_podcast(url)，输入播客单集链接，输出一个字典，包含： - title：单集标题 - author：主播/嘉宾 - duration：时长（秒） - description：节目简介 - shownotes：Show Notes（含章节时间戳） - audio_url：音频直链 - cover_url：封面图链接【技术方案】 1. 优先尝试调用平台提供的抓取工具 2. 如果失败，直接抓网页源码，解析 Next.js 的 __NEXT_DATA__ 节点 3. 如果还失败，尝试解析 Open Graph 标签【要求】 - 三种方案按顺序降级，任意一个成功就返回 - 每个方案失败时打印具体原因，方便我判断 - 先用我给的链接测试：https://www.xiaoyuzhoufm.com/episode/6acdc755195d838e2af11997 写完后直接运行，把抓到的字段打印出来给我看。

AiPy会做什么：

写出三级降级的抓取逻辑
遇到 MCP 参数错误时自动切换到网页解析
从 NEXT_DATA 里提取 episode 对象
打印出全部字段供你核对

关键点：一定要让 AI直接运行并打印结果。不运行就不知道抓没抓到，光看代码没用。

阶段三：造第二块 —— 音频转写模块

目标：让 AI 写出能在本地跑通的语音识别代码

Prompt（直接复制）：

继续开发第二步：音频转写模块。【要求】写一个函数 transcribe(audio_url)，输入音频直链，输出带时间戳的文本列表： [{"start": 0.1, "end": 3.2, "text": "..."}, ...] 【技术方案】 1. 先试平台自带的转写接口（OpenAI 兼容的 /audio/transcriptions） 2. 如果返回 500 或格式不支持，改用本地 faster-whisper 3. 本地模型优先从 ModelScope 下载（HuggingFace 可能连不上）【必须处理的问题】 - 音频格式：m4a 可能不被支持，先用 ffmpeg 转成 16k 单声道 wav - 模型下载：HuggingFace 超时就用 ModelScope 的 snapshot_download - PyAV 兼容：如果 transcribe() 报 metadata_errors 错误，改成自己读 wav 转 numpy 数组 - 静音段：必须开 vad_filter=True，否则会有重复文本【性能要求】 - 用 small 模型 + int8 量化，CPU 能跑 - 30 分钟音频控制在 15 分钟内转完写完后用我给的音频链接跑一遍，把前 5 段和后 5 段打印出来。

AI 会做什么：

写出带三级降级的转写逻辑
自动安装 faster-whisper 和 imageio-ffmpeg
遇到模型下载失败自动切 ModelScope
遇到 PyAV 报错自动改用 numpy 读取
输出带时间戳的 transcript.json

关键点：这一步最容易卡住。如果 AI 卡在某一个坑上超过两轮，直接告诉它「换方案」，别让它死磕。

阶段四：造第三块 —— 知识框架拆解模块

目标：让 AI 写出能把逐字稿变成结构化知识的代码

Prompt（直接复制）：

继续开发第三步：知识框架拆解模块。【要求】写一个函数 extract_framework(transcript_text)，输入逐字稿全文，输出 JSON： { "主旨": "一句话概括整集核心观点", "核心框架": [ {"层级": "一、xxx", "要点": ["...", "..."]}, ... ], "金句": ["...", "..."], "行动清单": ["...", "..."] } 【拆解规则 - 必须严格遵守】 1. 拆成 6-7 个板块，每个板块 3-6 个要点 2. 板块之间要有逻辑递进：缘起 → 引子 → 原理 → 方法论 → 实操 → 思辨 → 收束 3. 每个要点必须是一句能独立成立的话，绝对不能写"主播提到了XX"、"讲了一个例子" 4. 保留原话里的具体案例、数字、比喻，这是最有价值的部分 5. 金句 6-8 条，必须是原话或贴近原话，单独拿出来能成立 6. 行动清单 4-5 条，必须是读者今天就能做的事，具体可执行【反例 - 这些输出是错的】 ❌ "主播提到了主要矛盾的重要性，并举例说明" ❌ "讲了一个夫妻关系的例子" ❌ "强调了要抓住重点" 【正例 - 这些输出是对的】 ✅ "先论主要矛盾，才能提纲领领地解出整个命局" ✅ "解决了经济这个主要矛盾，夫妻间的争吵自然就消退了" 【调用方式】用环境变量里的 OpenAI 兼容接口调用大模型，模型用 OPENAI_MODEL。写完后用 transcript.json 跑一遍，把生成的 JSON 保存到 outline.json，并打印前两个板块给我看。 AI 会做什么：

写出调用 LLM 的代码
把「必须独立成句」等约束写进 system prompt
输出结构化 JSON
自动保存为 outline.json

关键点：这是整个工具的灵魂。Prompt 里的反例和正例一定要写，这是让 AI 理解「什么叫提炼」最有效的方式。

阶段五：造第四块 —— 背景底图生成模块

目标：让 AI 写出能调用生图智能体、生成合适底图的代码

Prompt（直接复制）：

继续开发第四步：背景底图生成模块。【要求】写一个函数 generate_background(theme, output_path)，输入主题描述，输出一张背景底图。【生图 Prompt 模板】请生成一张竖版海报背景底图，主题：{theme} 画面要求： - 深墨黑与靛蓝渐变的夜空底色 - 中央隐约浮现巨大的太极圆环与八卦方位符号，极细的金色描边 - 四周有淡淡星点与流动云气纹理，像水墨在宣纸上晕开 - 整体留白充足（中间和上方大面积留空，供后续叠加文字） - 高级、克制、神秘、有质感，博物馆级印刷品风格色调：墨黑 #0E1116、靛蓝 #1B2A4A、金 #C9A227、米白 #F2EDE4 禁止出现任何文字、字母、数字、水印、logo 比例：3:4，尺寸 1104×1472，质量 high 【调用方式】调用「平面与广告设计」智能体（@aipy-pro/ImageGenerativeAgent）的 generate_image 工具。【关键约束 - 必须写进 Prompt】 1. "留白充足"：这是底图不是成品，中间要留给文字 2. "禁止出现任何文字"：AI 生成汉字基本是乱码，且会和后叠文字打架写完后生成一张，保存到 background.png，并告诉我文件大小。

AI 会做什么：

调用生图智能体
把留白和禁文字两个约束写进 Prompt
保存图片到指定路径

关键点：这两个约束是踩过坑总结出来的。不写「留白充足」，AI 会把画面画满，文字没地方放；不写「禁止文字」，生成的乱码会和后叠的字打架。

阶段六：造第五块 —— 海报排版模块

目标：让 AI 写出能把框架和底图合成海报的代码

Prompt（直接复制）：

继续开发第五步：海报排版模块。【要求】写一个函数 render_poster(outline_json, background_path, output_path)，把知识框架和背景底图合成一张竖版海报。【技术要求】 1. 用 HTML + CSS 排版，尺寸 1240×1754（A4 比例） 2. 背景图用 base64 内嵌到 HTML 里（关键！否则换机器打开会丢图） 3. 背景图上叠一层半透明暗色蒙层，保证文字可读但纹理能透出来 4. 用 Chrome 无头模式截图，--force-device-scale-factor=1.5 输出 1860×2631 【布局要求】 - 顶部：节目徽标 + 主标题（金色渐变字）+ 副标题 + 一句话主旨 - 中部：左右双栏，7 个板块卡片（左 3 右 4） - 底部：金句区 + 行动清单，两栏并排 - 最底：主播信息 + 节目名【样式要求】 - 卡片：半透明背景 + 金色边框 + 左侧金色竖线 - 字号用 clamp() 做响应式，手机打开自动转单栏 - 加一个悬浮工具条：「打印/存 PDF」「全屏查看」【配色】墨黑 #0E1116、靛蓝 #1B2A4A、金 #C9A227、米白 #F2EDE4 写完后用 outline.json 和 background.png 跑一遍，输出 poster.png，并告诉我最终尺寸。

AI 会做什么：

生成 HTML 模板
把背景图转 base64 内嵌
用 Chrome 无头模式截图
输出 1860×2631 的 PNG

关键点：base64 内嵌这一步千万不能省。不内嵌的话，HTML 发给别人打开就是一片黑。

阶段七：串联 —— 让 AI 把五块拼成一个工具

目标：把五个模块串成一条流水线，一条命令跑通全流程

Prompt（直接复制）：

最后一步：把前面五个模块串起来，做成一个能一键跑通的工具。【要求】写一个主脚本 main.py，接受一个播客链接作为参数，自动完成： 1. 抓取元信息 2. 下载音频并转写 3. 拆解知识框架 4. 生成背景底图 5. 排版成海报 6. 输出三份文件：海报 PNG、交互式 HTML、文字稿 Markdown 【要求】 - 每一步都要打印进度，让我知道跑到哪了 - 每一步的中间产物都要保存（元信息 json、transcript.json、outline.json、background.png） - 任何一步失败要打印具体错误，不要静默失败 - 支持断点续跑：如果中间产物已存在，跳过对应步骤【使用方式】 python main.py "https://www.xiaoyuzhoufm.com/episode/xxx" 【额外要求】写一个 README.md，说明： - 依赖安装命令 - 环境变量配置 - 使用方法 - 常见问题排查写完后用我给的链接完整跑一遍，把最终产物路径告诉我。

AI 会做什么：

写出带进度打印的主脚本
实现断点续跑逻辑
生成 README 文档
完整跑通一遍

关键点：断点续跑很重要。转写要 10 分钟，如果排版那步挂了，不用重新转写。

阶段八：验收 —— 让 AI 自己检查成果

目标：确认工具真的能用，不是看起来能用

Prompt（直接复制）：工具做完了，帮我做一次完整验收。【检查项】 1. 换一个播客链接，重新跑一遍，确认能跑通 2. 检查海报：文字有没有溢出、有没有重叠、底部有没有大片空白 3. 检查 HTML：背景图是否内嵌、手机端是否正常、按钮是否可用 4. 检查文字稿：Mermaid 代码能否渲染、结构是否完整【输出】给我一份验收报告，包含： - 每项检查的结果（通过/不通过） - 不通过的具体问题和修复方案 - 最终产物清单和文件大小如果有问题，直接修复，不要只报告不修。

AI 会做什么：