1. 47页会议记录喂给AI为什么前两版全是废的先说结论AI整理会议记录这件事成败几乎不取决于你用的是哪个模型而取决于你喂进去的东西长什么样。我拿一份47页的会议记录做测试前后跑了三版前两版基本没法用——不是漏了关键决议就是把讨论过程当成了最终结论甚至把两个不同人的观点揉成了一段话。第三版我只改了一个东西输入方式。结果输出质量直接上了一个台阶。这份47页的记录是什么形态一场持续了将近四小时的跨部门评审会速记员全程逐字记录包含大量口语重复、中途插话、跑题闲聊、临时起意的讨论以及夹杂在对话里的几个关键决策点。整份文档没有小标题没有分段逻辑就是一条一条往下滚的时间线。我最初的做法很典型把整份文档直接丢给AI附一句帮我整理成会议纪要。这就是第一版也是废得最彻底的一版。第一版的问题很集中。AI把大量篇幅花在了复述讨论过程上比如张三提出A方案李四认为A方案有风险王五建议再评估——这些是过程不是结论。真正需要留存的决议比如预算上限调整为X下周三前提交修订版反而被淹没在几千字的讨论复述里。更麻烦的是AI开始脑补原文里没有明确拍板的事项它自动补了一个看起来合理的结论。这在会议纪要场景里是致命的因为纪要的核心价值就是忠实一旦开始编整份文档的可信度就归零了。第二版我做了改进把文档按时间切成了六段分段喂给AI每段让它先输出摘要。这一版比第一版好至少没有大规模脑补了但出现了新问题段与段之间丢失了上下文关联。会议里经常出现关于刚才提到的那个问题、接着上面第三点这类指代分段之后AI根本不知道刚才指的是什么于是要么跳过要么瞎猜。而且六段摘要拼起来之后整体逻辑是断裂的读者看不出这场会到底解决了什么、遗留了什么。两版废稿让我意识到一个根本问题我不是在用AI整理会议记录我是在把一堆非结构化文本倒给AI指望它自己长出结构。这两件事完全不是一回事。AI擅长的是在给定框架下做信息提取、归纳和改写它不擅长从零重建一场会议的语义骨架——尤其是当原始记录本身就没有骨架的时候。所以第三版我换了个思路先由我来定义结构再让AI往结构里填内容。具体怎么做的下面拆开讲。2. 会议记录整理的真实难点不是总结是信息分层很多人对AI整理会议记录的想象是丢进去出来一份漂亮的纪要。但真正做过这件事的人都知道会议记录整理的核心难点从来不是总结而是信息分层。一场会里同时存在至少四种性质完全不同的信息它们的处理方式截然不同混在一起处理必然出问题。第一种是决议信息。这是纪要里最值钱的部分特征是拍板了——预算定了多少、方案选了哪个、责任人是谁、截止时间是什么。这类信息必须原样保留不能改写不能归纳因为任何措辞变化都可能导致执行偏差。第二种是讨论信息。这是过程性内容价值在于呈现不同观点的碰撞但纪要里通常只需要保留有哪些主要分歧不需要逐句复述。第三种是背景信息。比如某人介绍了一下项目现状、某个数据来源这类内容往往只需要一句话带过。第四种是噪音信息。跑题、寒暄、重复确认、口头禅这些在纪要里应该被完全剔除。前两版之所以废就是因为我把这四类信息混在一起喂给AI然后期待它自己分类。它确实会分类但分类标准是它自己猜的跟我的需求对不上。第三版我做的第一件事就是在输入阶段就把这四类信息的位置标出来。注意不是我来分类内容而是我来标注哪几段是决议密集区、哪几段是纯讨论、哪几段可以快速略过。这个动作花了我大概二十分钟但它把AI的工作从理解整场会议降维成了在指定区域做提取难度直接掉了一个数量级。这里有个反直觉的点给AI的输入不是越干净越好而是越有结构越好。我试过先把47页记录手动清洗一遍去掉所有口语重复再喂给AI结果反而更差——因为清洗过程中我无意间丢掉了大量上下文线索AI失去了判断依据。后来我改成保留原始文本只在关键位置插入标记效果立刻不一样。原始文本里的嗯这个我们再想想这些看似废话的东西其实是AI判断这里还没定的重要信号。你把它们删了AI就分不清讨论中和已决议了。还有一个容易被忽略的难点会议记录里的时间线不等于逻辑线。一场会可能先讨论了C又回头补充了A最后才定B。如果按时间顺序整理读者看到的是跳跃的如果按逻辑重组又容易丢失什么时候定的这个信息。我的处理方式是双轨制主体按逻辑主题重组但在每个主题下标注该议题的讨论时间区间。这样既保证了可读性又保留了追溯性。这个细节在第三版里是通过在输入标记里加入时间戳实现的后面会具体说。3. 第三版我改的输入方式给AI一份带路标的地图第三版的核心改动是把输入从一整份文档变成了一份带标记的文档 一份结构指令。听起来简单但具体怎么标记、指令怎么写直接决定成败。我把我实际用的方法完整拆出来你可以直接抄。3.1 用分隔符把47页切成议题块而不是时间块第二版我按时间切失败了。第三版我改成按议题切。具体做法是通读一遍记录找出所有话题切换的位置——通常表现为好那我们进入下一个议题、关于这个先放一放我们看下一个这类过渡语。然后在每个切换点插入一个明确的分隔符我用的是三个等号加议题编号议题01Q3预算调整 该议题对应的原始记录段落 议题02产品上线时间 该议题对应的原始记录段落这个动作的关键在于分隔符是我加的议题编号是我定的但议题内部的原始文本我一个字没动。这样AI拿到的是一个半结构化输入——它知道有几个议题、每个议题的边界在哪但议题内部仍然保留全部原始信息供它判断。实测下来这种半结构化输入比纯结构化我手动提炼要点和纯非结构化原始文档的效果都好因为它把分块这个AI不擅长的任务由人做了把提取这个AI擅长的任务留给AI。3.2 在每个议题块开头加一行议题摘要锚点光有分隔符还不够。我发现AI在处理每个议题块时仍然会花大量精力去判断这个议题到底在聊什么。于是我加了一行锚点格式是【锚点】本议题核心预算上限是否从X调整到Y涉及市场部和研发部的资源分配这行锚点是我读完这个议题后写的一句话概括。它的作用不是让AI照抄而是给AI一个语义坐标系。有了这行锚点AI在提取决议时就知道该往预算上限和资源分配这两个方向找而不是漫无目的地扫描全文。实测这个改动让决议提取的准确率提升非常明显——前两版经常漏掉的隐含决议比如某句话里顺带提到的数字调整第三版基本都能抓到。注意锚点必须是你自己写的不能让AI生成。我试过让AI先给每个议题写锚点再让它按锚点提取结果锚点本身就是错的后面全错。锚点是人的判断这一步不能省。3.3 结构指令告诉AI输出什么而不是怎么总结前两版的指令是帮我整理成会议纪要太模糊。第三版我换成了一份明确的结构指令直接写在输入的最前面请按以下结构输出每个议题一块 1. 议题名称用我给的编号和名称 2. 决议事项只提取明确拍板的内容格式为事项 责任人 截止时间没有明确责任人或时间的标注待定 3. 主要分歧只保留有实质冲突的观点最多3条 4. 遗留问题明确说了下次再议或待补充的内容 5. 原始依据从原文中摘出支撑上述决议的关键原句最多2句 禁止复述讨论过程、补充原文没有的结论、合并不同人的观点这份指令里最重要的是最后那行禁止。前两版AI之所以脑补就是因为我没有明确禁止它脑补。一旦把边界划死AI的输出立刻变得克制而准确。另外原始依据这一项是我特意加的它强迫AI回到原文找支撑相当于一个自我校验机制——如果它找不到原句说明这条决议可能是它编的。3.4 把待定和已定在输入里就区分开这是第三版最关键的改动之一。会议记录里最危险的不是没提到的事而是提到了但没定的事。前两版AI经常把我们再讨论一下预算这种话当成预算已讨论输出成决议。第三版我在输入阶段就把这类模糊表述标出来了用的是方括号标记[未定] 预算具体数字下次会议确认 [已定] 上线时间锁定在下月15日这个标记同样是我手动加的加的过程其实就是我自己在过一遍会议逻辑。有意思的是加标记这个动作本身就有价值——我在标记的过程中发现了三处前两版完全漏掉的隐含决议因为手动标记强迫我逐句判断这到底定没定。所以这个方法不只是为了AI也是为了我自己理清会议。4. 从47页到3页输出结构怎么定才不丢信息输入改完之后输出结构也得跟着改。前两版的输出是一份纪要第三版的输出我拆成了三层决策层、执行层、追溯层。这个分层不是拍脑袋定的是根据会议纪要的实际使用场景倒推出来的。4.1 决策层给没参会的人看的一页纸决策层放在最前面控制在A4一页以内只包含三样东西本次会议一共定了哪几件事、每件事的责任人和时间、哪些事没定。这一层是给管理层和没参会的人看的他们不关心讨论过程只关心定了什么和谁来做。第三版这一层的输出格式我固定成表格序号决议事项责任人截止时间状态1预算上限调整为X市场部-张三下周三已定2上线时间锁定15日研发部-李四本月15日已定3服务器扩容方案待定下次会议未定这个表格是AI直接从输入标记里提取的因为我在输入阶段已经用[已定]/[未定]标好了AI只需要搬运和格式化。实测这一层的准确率接近百分之百因为它的任务被降到了最低难度。4.2 执行层给执行团队看的任务清单执行层比决策层细按议题展开每个议题下列出具体任务、依赖关系和风险点。这一层的信息来源是决议信息加上讨论中提到的执行细节。比如决议是预算调整为X执行层会补充调整后市场部需要重新提交投放计划研发部需要同步更新资源排期。这些细节在原始记录里是散落的AI在有了议题锚点之后能把它们归拢到对应议题下。执行层我特意要求AI保留原始措辞中的关键限定词。比如原文说尽量在下周三前AI不能改写成下周三前因为尽量两个字代表了这件事的弹性。前两版AI最喜欢干的就是把限定词抹掉让所有任务看起来都是硬性deadline这在执行时会造成很大误导。第三版我在指令里明确要求保留原文中的程度副词和限定词这个问题就解决了。4.3 追溯层给需要复盘的人看的原文索引追溯层是第三版新增的也是我觉得最有价值的一层。它不呈现结论只呈现每个结论对应原文的哪个位置。格式是决议1预算调整→ 原文第12页第3段、第15页第1段 决议2上线时间→ 原文第22页第4段这一层的作用是可验证。任何人拿到纪要后如果对某条决议有疑问可以直接翻到原文对应位置核对。前两版没有这一层导致纪要和原文是脱节的一旦有人质疑这个结论哪来的就得重新翻47页。第三版加上追溯层之后整份纪要的可信度完全不一样了。实操心得追溯层的页码定位我是通过在输入标记里加入原始页码实现的。具体做法是在每个议题块的分隔符里带上页码范围比如议题01Q3预算调整P3-P8。这样AI在摘录原句时就能顺带标出页码。如果不加页码AI只能给出原文某处这种没用的定位。5. 实测对比三版输出到底差在哪光说方法不够直观我把三版的实际输出差异列出来你能一眼看出问题在哪。测试用的是同一份47页记录、同一个模型唯一变量就是输入方式。对比维度第一版整份直喂第二版按时间分段第三版议题块锚点指令决议提取完整度约60%漏掉隐含决议约75%跨段决议丢失约95%隐含决议基本抓到脑补情况严重多处编造结论轻微偶有猜测基本没有找不到依据会标待核实上下文连贯性差前后矛盾差段间指代断裂好议题内逻辑完整可追溯性无无每条决议可定位原文整理耗时15分钟但返工2小时40分钟返工1小时输入标记25分钟AI处理10分钟最终可用性废稿半废需大量人工修补可直接使用这个对比里最值得说的是耗时这一项。第一版看起来最快15分钟就出结果但结果是废的返工花了2小时。第三版前期标记花了25分钟但AI处理只要10分钟而且输出直接可用。总耗时反而是第三版最短。这就是输入方式的价值——它把成本从事后返工转移到了事前结构化而事前结构化的效率远高于事后修补。还有一个隐性差异第三版的输出我可以直接转发前两版不行。第一版转发出去会被人发现结论是编的第二版转发出去会被人问这个议题怎么只有一半。第三版转发出去收到的人能直接拿去执行。这个差异在真实工作场景里是决定性的——会议纪要的价值不在于生成了而在于能被信任并使用。6. 这套输入方式能复用到哪些场景我后来把这套方法复用到了其他几个场景效果都不错说明它的底层逻辑是通用的。核心逻辑就一句话把AI不擅长的结构重建由人来做把AI擅长的信息提取和格式化留给AI。第一个复用场景是长访谈整理。我做过一次两小时的用户访谈录音转文字后大概三万字。用同样的方法先按话题切块、加锚点、标[已确认]/[待验证]再让AI按用户痛点、现有方案、改进期望三层输出。效果比直接丢给AI好太多尤其是待验证标记帮我区分了用户的真实需求和随口一提的想法。第二个场景是多份文档的对比归纳。比如同时看五份竞品分析报告每份几十页。我的做法是给每份报告加一个核心结论锚点然后让AI按统一维度做对比表。这里的关键是锚点必须用同一套维度写否则AI对比出来的东西是错位的。这个坑我踩过第一版对比表里五个竞品的维度各不相同根本没法看。第三个场景是课程笔记整理。我听了一门二十多节的课每节笔记都很零散。用议题块的方法把每节课切成几个知识点块加锚点然后让AI按概念、原理、例子、易错点输出。这个场景里易错点这一层特别有用因为原始笔记里老师随口提的这里容易搞混往往散落在各处AI在有了锚点之后能把它们归拢起来。不过这套方法也有不适用的场景。如果原始材料本身就已经很有结构比如一份写得很规范的报告再手动加标记就是多此一举直接喂给AI效果就很好。另外如果材料非常短比如一页纸手动标记的时间成本高于收益也不划算。这套方法的价值随材料长度和非结构化程度上升而上升47页无结构记录是它的最佳适用区间。7. 几个我踩过的坑和对应的解法最后说几个实操中踩过的坑都是前两版废稿换来的教训你如果要做类似的事可以少走弯路。坑一锚点写得太细反而限制了AI。我一开始的锚点写得非常具体比如本议题讨论预算从100万调整到120万市场部主张120万研发部主张100万。结果AI就只盯着这两个数字漏掉了议题里顺带提到的预算调整后需要重新走审批流程这个关键信息。后来我把锚点改成本议题核心预算调整及后续影响给AI留了发挥空间反而抓得更全。锚点的作用是定方向不是定内容。坑二分隔符用得太花哨AI识别不了。我试过用各种符号做分隔符比如、###、~~~结果有些符号和Markdown语法冲突AI处理时直接乱套。后来固定用加中文议题名简单明确再没出过问题。分隔符的唯一标准是AI能稳定识别不是看起来专业。坑三指令写得太长AI反而抓不住重点。我有一版指令写了快一千字把各种要求都列上了结果AI顾此失彼输出质量反而下降。后来我把指令压缩到五条以内每条不超过两行效果立刻回升。指令的核心是禁止什么和输出什么格式其他都是次要的。坑四忘了告诉AI原文没有的不要补。这个坑最隐蔽因为AI补出来的内容往往看起来很合理你不仔细核对根本发现不了。我的解法是在指令里加一句如果某项信息在原文中找不到依据输出原文未提及不要推测。加了这句之后AI的输出里开始出现原文未提及这种诚实的标注虽然看起来不如编一个结论漂亮但可信度高得多。坑五一次性处理47页AI的注意力会衰减。即使做了议题分块如果一次性把47页全喂进去AI对后面议题的处理质量还是会下降。我的解法是分批处理每批不超过10页处理完一批再处理下一批最后合并。合并的时候注意议题编号要连续否则会乱。这个坑在第三版初期出现过表现为最后几个议题的决议提取明显比前面粗糙分批之后就均匀了。这套方法我前后迭代了三版才跑通核心就一句话AI整理会议记录的质量取决于你给它的输入有多像一份已经整理好的东西。你给它的结构越多它还给你的结构就越好你给它一团乱麻它只能还你一团稍微整齐点的乱麻。47页到3页的差距不在模型在输入方式。