用途：把数百条会议活动记录整理成可推理的主题地图——6至8个粗粒度主题，每个主题可展开子簇，无法归类的演讲放入离群桶，且每条演讲可同时归属多个主题。该地图是下游环节的基础：引导环节基于主题提问，日程环节用主题覆盖度奖励广度。
主要能力：采用混合方法而非逐条调用 LLM，也不直接使用会议自带轨道标签。嵌入模型负责分组（便宜且跨运行稳定），LLM 只负责命名（读起来像人写的）。密度聚类会自然产出离群集合，这是特性而非缺陷。先粗后细：6至8个抽象主题比20个细粒度主题分得更清晰。软性多归属：单条硬分配会误表“评估智能体 RAG”这类跨评估、智能体与检索的演讲。
使用方式：加载 events.json，拼接每条活动文本（优先增强摘要，否则原始摘要+标题+主题）。优先运行 resources/cluster.py 的 embed-hdbscan 流程：嵌入→UMAP 降维→HDBSCAN 密度聚类→LLM 为簇命名。缺少 sentence-transformers/umap-learn/hdbscan 或样本量过小时，改用 LLM 推理回退方案，按主题共现分组并标注 method: "llm-reasoned"。随后合并为6至8个粗主题、暴露子簇、构建带原因的离群桶、为每条活动（含离群）计算 top-k 软亲和度，写出 clusters.json、affinities.json 及可读的 clusters.md，并设置 stability_note。
适用场景：会议项目主题梳理、偏好引导问题生成、日程广度优化。
限制：不重新抽取主题轴，也不做日程决策；聚类是建模选择而非事实，需声明方法与稳定性；回退方案可复现性低于嵌入方案。具体依赖版本与运行环境暂未提供。