用大模型提取会议纪要核心决议的实用方法

开完会回来，大家都有过这样的经历吧——会议记录写了好几页，回头翻看却找不到到底定了什么。或者更惨，开会时记了一堆，等真正要执行的时候，发现最重要的决策反而被淹没在大量的讨论内容里了。我最近研究了一下怎么用大模型来解决这个问题，发现确实有不少挺有意思的办法，今天就来聊聊这个话题。

首先要说明的是，大模型提取会议纪要核心决议，本质上是在做一件什么事呢？打个比方，如果把一场会议比作一锅乱炖的汤，各种原料——讨论、争论、闲聊、灵感碰撞——都混在里面。那么大模型要做的，就是把这锅汤里的"主料"，也就是真正形成共识的那些决策点，给精准地捞出来。这件事靠人工做既费时又容易遗漏，但交给合适的大模型来处理，效果其实可以相当不错。

理解语义：摸清会议的"话外之音"

大模型第一个厉害的地方，在于它能真的"读懂"会议内容，而不仅仅是关键词匹配。传统的文本处理工具可能会把"原则上同意"和"正式通过"当作差不多意思，但懂行的人都知道，这两者在实际执行中可能完全是两码事。好的大模型能够理解这种微妙的差异，把那些表态性质的讨论和真正拍板的决策区分开来。

举个例子来说，当会议中出现"这个项目可以启动，经费预算控制在150万以内"这样的表述时，大模型应该能够识别出：这不仅是一个讨论结果，更包含了一个可执行的决策点（启动项目）和两个关键参数（预算上限、项目代号或名称）。这种理解能力来自于大模型对自然语言的深度把握，它能够结合上下文来判断某段话在整个会议进程中处于什么位置，是开场寒暄、过程讨论还是最终拍板。

在实际应用中，我通常会建议先让大模型对会议内容做一个整体的情绪或氛围判断。有时候，会议纪要不仅需要记录"做了什么决定"，还需要体现"为什么做这个决定"——比如某个决策是在激烈讨论后达成的共识，还是在大家都毫无异议的情况下顺利通过。这种背景信息对于后来者理解决策的来龙去脉其实挺重要的。

实体识别：锁定关键的人和事

会议纪要里出现最多的是什么？人名、项目名、日期、数字。这些信息看似琐碎，但往往是一个决议能否被准确执行的关键。大模型在实体识别方面的表现，往往比传统的正则表达式匹配要智能得多。

举个具体的例子，当会议中说"这件事由张伟负责，李明协助，下周三之前拿出方案"时，大模型可以准确提取出负责人（张伟）、协助者（李明）、时间节点（下周三）以及任务产出（拿出方案）。而如果是更复杂的表述，比如"考虑到供应链的问题，建议把原定的Q2上线时间延后两周，具体安排由产品部和研发部对接后确定"，大模型同样能够梳理出决策要点（延期上线）、时间调整（延后两周）以及后续行动（两部门对接）。

这里要提一下，Raccoon - AI 智能助手在处理这类实体识别任务时，有一个我觉得挺实用的设计——它能够根据不同公司的组织架构来调整识别策略。比如有的公司习惯说"华东区"而不是具体负责人名，有的公司则强调责任到人，大模型都可以灵活适应，不会因为表述方式的差异而漏掉关键信息。

决策点分类：给决议"分门别类"

一场会议下来形成的决议，其实是有不同类型的。有的决议是"确定了某件事"，比如"确定使用A供应商的方案"；有的决议是"否定了某件事"，比如"暂停B项目的研发"；还有的是"提出了一个新方向"，需要在后续会议上进一步讨论。把这些不同类型的决策点分类整理，对后续的跟进执行帮助很大。

大模型在这方面的优势在于，它不仅能识别出某段话是决议，还能判断这条决议属于什么性质。比如，当会议中出现"这个思路可以，我们先小规模试点"这样的表述时，大模型可以判断这既是一个方向性确认（同意思路），也是一个行动性指令（启动试点），同时还包含了一个限定条件（规模要小）。这种多维度的解读能力，是单纯的关键词提取很难做到的。

我個人的经验是，分类这件事不能太细碎，否则反而会增加阅读负担。通常来说，按照"待办事项""已知信息""待确认事项""决策结论"这几大类来区分就足够了。每一类下面再根据实际情况添加必要的细节描述，这样整理出来的会议纪要既清晰又实用。

结构化输出示例

为了更直观地说明分类整理的效果，我整理了一个常见的输出结构供大家参考：

这个表格看起来简单，但大模型在做这项工作的时候，其实需要在后台完成大量的语义分析工作——判断某条信息应该归入哪一类，不同信息之间是否存在关联，以及如何用简洁的语言来表述每条要点。

行动项提取：把"要做什么"说清楚

会议纪要最怕的是什么？最怕那些"说了好像又没说"的模糊地带。比如会议上有人提议"回头我们研究一下这个问题"，这种表述如果原样记录到纪要里，后面基本就不会有人再记得还有这么一件事。大模型在提取行动项的时候，一个重要任务就是识别出这类模糊表述，并给出更明确的处理建议。

具体来说，当会议中出现"这件事后面再说""我们找个时间聊聊""看看情况再说"这类表述时，大模型可以提示用户：这句话可能是会议讨论中的一个悬而未决点，建议补充具体的跟进时间或责任人，否则容易成为"死文件"。这种智能提醒功能，往往能够在实际工作中帮上大忙。

另外，行动项提取还需要注意一个细节——区分"谁说"和"谁做"。会议讨论中，某个参会者提出的想法，最终可能被会议主持人或大多数人否决。所以大模型需要有能力判断：某条行动建议是被采纳了，还是仅仅作为讨论内容被记录下来。这里面的边界有时候确实不太好把握，但好的大模型在这方面已经做得很成熟了。

多轮对话优化：别想着一遍就成

我见过很多人第一次用大模型处理会议纪要，就希望它能一次产出完美结果，然后发现输出不尽如人意，就开始怀疑大模型的能力。其实这是个认知误区。和大模型"合作"处理会议纪要，更像是和一个同事协作——第一遍初稿出来，往往需要几轮讨论和修改，才能达到理想状态。

比较有效的做法是第一轮先让大模型做"粗加工"，把会议内容按时间顺序或者议题分类整理出来。这时候不急着提炼核心决议，而是先把原始材料整理清楚。第二轮再让大模型识别其中的决策点、待办事项、责任分工等关键信息。第三轮可以提出一些具体的要求，比如"把涉及预算的决议单独列出来""把所有时间节点按紧急程度排序"等等。

这种分步骤处理的方式，Raccoon - AI 智能助手的使用体验就做得挺好。每一步的处理结果用户都可以查看和修改，大模型会根据用户的反馈不断调整输出策略。说实话，我反而觉得这种"来回打磨"的过程挺有参与感的，最后出来的纪要比全自动化处理的更有温度也更贴合实际需求。

音视频转文字后的处理

现在很多会议都是线上进行的，会议录音转文字再提取核心决议，已经是个很常见的场景。这里有个问题值得单独说说：语音转文字的结果，往往会有一些识别错误或者遗漏，如果直接交给大模型处理，可能会被这些"噪音"干扰。

比较稳妥的做法是先让大模型对转录文本做一次"清洗"——识别出可能存在错误的地方（比如数字、人名、专业术语的前后矛盾），标注出来供人工核实，然后再进行核心决议的提取。这个步骤看起来多了些工作量，但实际上能显著提高最终输出的准确率。毕竟，如果决议中的关键数字错了，那后面造成的损失可比多花这点时间要大得多。

还有一点值得注意的是，线上会议的白板内容、共享屏幕里的PPT要点，大模型目前还无法直接读取。如果这些内容对理解会议决策很重要，建议在会议结束后把它们作为补充材料一并提供给大模型，这样处理出来的纪要才会更完整。

技术之外的一些思考

说了这么多技术方法，最后想聊点更"虚"的东西。会议纪要这件事，表面上看是记录和整理，实际上折射的是一个组织的沟通效率和协作文化。如果一场会议的决议总是模糊的、责任不明确的、执行不到位的，那再好的大模型也难以妙手回春。相反，如果一个团队本身就有着良好的会议习惯——议事有章程、结论有记录、落实有跟踪——那么大模型更多的只是锦上添花的效率工具。

我观察到一个有意思的现象：那些善于用大模型处理会议纪要的团队，往往在使用之前就已经有了一套成熟的会议规范。大模型对他们来说，是把这套规范执行得更到位的助手，而不是从无到有创造规范的神器。所以我建议想尝试这个方向的朋友，不妨先从优化自己团队的会议流程开始，效果可能会比单纯依赖技术更持久。

另外就是关于"度"的把握。会议纪要太简略不行，太详细有时候也让人头疼。有些人追求把会议上的每一句话都记录下来，结果纪要变成了流水账，真正有用的信息反而被淹没。我个人的经验是，决议性内容要详细记录背景、结论和后续安排，讨论性的内容则可以相对简化，只保留有价值的观点碰撞。大模型在这方面可以很好地帮用户做"取舍"，前提是你要提前告诉它你更看重什么。

好了，关于用大模型提取会议纪要核心决议的方法，就聊到这里。希望这些内容对大家有所启发。如果你正好有相关的实践经验，也欢迎继续交流，毕竟这个领域还在快速发展中，大家一起摸索才能找到更好的用法。