我们的回答不是“全文直接输入模型”。更稳的路径是分层：先用确定性程序完成抓取、清洗、统计和规则映射；再让 LLM 处理少量需要语义判断的片段；最后保存来源证据，让每个输出都能被追问。
同一件事在群聊和会议里重复出现时，系统合并任务，并保留两处原文。
时间、词语、情绪和关系被统计出来，个人沟通模式开始可见。
venue、引用、公开评审和学院积分写回 Zotero，减少重复查询。
展示重点不是“做了几个工具”，而是一个可复用的方法：连接真实文本源，用确定性层缩小问题，再用语义层完成判断，并让输出留下证据。
群聊、会议、Zotero 和学院文件原本彼此隔离。连接之后，任务、文献和规则才会互相解释。
重复出现的任务不应停留在手工处理。跑通一次的流程，要变成下一次可以调用的能力。
先定义输入、输出和评价指标，再讨论实现。一个展示原型能否成立，最终取决于它能否被测量。
微信洞察对应“文本即数据”：把自然语言转成变量。任务雷达和文献工作台对应“LLM 驱动创新”：让语义判断进入可复用流程。
群聊和会议转写先被筛选，再被抽取为带来源的行动项。
论文元数据与评分规则对齐后，文献库成为研究决策界面。
规则和统计能完成的部分，不交给 LLM。语义模型只处理需要理解上下文的片段：
我们把“这个系统好不好”拆成四个指标：任务是否抽对，来源是否可追溯，重复任务是否能合并，进入模型的文本比例是否下降。
以人工标注行动项为 gold standard，报告 Precision、Recall 和 F1。
检查每条任务是否能定位到正确群消息或会议转写片段。
同一任务在不同来源出现时，评估系统是否能合并而不是重复提醒。
比较分层机制与全文输入的 token 消耗，以及进入模型的原文比例。