处理会议纪要时我会在Kula AI聚合平台（leadhi.cn）上同时调几个模型对比输出质量。最近一个月把Gemini 3.5深度用进了会议纪要的整理流程，这篇文章聊聊真实效率变化和几个关键技巧。
开会不累，整理纪要才累
这是做过项目经理的人都有的共识。
一次两小时的评审会，语音转写出来一万五千字。口语化表达、跑题讨论、重复内容掺杂在一起。你需要从中提炼出决策事项、待讨论问题、行动项、关键数据，然后整理成规范的纪要。
人工做这件事大概四十分钟到一小时。每天两三场会，光整理纪要就花掉大半天。说实话这活不难但特别耗时间，是最典型的"低价值高耗时"工作。
Gemini 3.5 Flash每秒289 tokens的输出速度，处理万字记录只要几秒。但快不是重点。重点是经过调教之后提炼质量确实到了可以直接用的程度。
最关键的一招：先定义输出结构
这是踩过坑之后总结出来的最重要的一条。
把记录丢进去说"帮我整理会议纪要"，它确实会整理。但出来的结构每次可能不一样。决策事项和待讨论事项混在一起，行动项散落在各处。看着像纪要，用起来还要重新整理。
解决办法是在提示词里先定义你要的维度。建议包含六个维度：会议基本信息、决策事项、待讨论事项、行动项（责任人加事项加截止时间）、风险和阻塞、关键数据。
给了结构之后模型会把每条信息归到对应分类下。给结构和不给结构的输出质量差距非常大，这一招解决了一大半的整理质量问题。
角色设定过滤噪音
同一场会议不同人关注的点不一样。技术负责人关心方案决策和风险，项目经理关心行动项和进度，产品经理关心需求变更。
指定角色能有效过滤噪音。比如"你是项目经理，重点提取行动项、进度和风险，技术细节只做概括"。
没加角色设定时一场评审的纪要可能二十多条要点，重点不突出。加了之后缩到八到十条，每条都跟你的职责相关。信噪比提升明显。
长会议必须分段
Gemini 3.5的上下文窗口支持100万tokens。理论上可以一次处理很长的会议记录。但实测下来内容越长提炼质量越容易波动。
InfoQ测评指出过类似现象：推理模型处理长上下文时存在质量衰减。
我的做法是按议题分段。三小时的评审会通常有三到五个议题，按议题分成几段分别提炼，合并时再让模型帮忙"合并去重按主题重组"。
分段后每段的提炼质量明显高于一次性处理全文。多出来的这一步完全值得。
交叉校验防遗漏
提炼纪要最怕漏掉关键信息。模型可能觉得某条不重要就跳过了，但对你来说那条恰恰是关键。
跑两轮。第一轮按定义的结构提炼要点。第二轮换一个完全不同的角度——"列出所有包含具体数字、人名、日期、截止时间的信息"。对比两轮结果看第一轮有没有遗漏。
InfoQ测评指出推理模型存在提供看似合理但无法核实的细节的概率。第二轮提取的具体数据可以反过来校验第一轮——如果第一轮提到了某个数字但原始记录里找不到对应内容，那这个数字很可能是模型自己补的。
涉及承诺日期、预算金额、交付数量时这个校验尤其重要。漏掉一个截止日期可能影响整个项目进度。
语音转写的特殊处理
会议纪要的原始材料通常是语音转写文本。口语化多、重复多、说话人不明确。
直接丢给模型会被噪音干扰。在提示词里加几个特殊约束效果好很多：忽略口语化和语气词，合并同一说话人的重复表述，无法确定说话人的标注待确认，保留原始数据不做修改。
"保留原始数据不做修改"这一条特别重要。没加这个约束它会倾向于把数据"润色"得更规整，过程中可能引入偏差。会议纪要的核心价值是准确，不是好看。
模板固化复用
经常处理同一类会议的话把提示词模板固定下来。我的模板包含三部分：角色设定、输出结构、特殊约束。每次只替换输入内容。
用了两个月了每次的纪要格式完全一致。同一个模板跑十次输出结构基本不变。格式一致不仅方便阅读，也方便不同场次的纪要做横向对比。
模板化还有一个隐藏好处：输出格式固定后你更容易发现异常——格式突然变了说明这轮输出可能有问题。相当于一个内置的质量监控。
跟其他模型的对比
用同一份会议记录分别跑了三个模型。
Gemini 3.5 Flash速度最快结构化程度好，万字记录几秒处理完，适合快速出初稿。GPT-5.5细节准确度最高，涉及具体数字和日期的遗漏率最低，但速度最慢成本最高，适合重要内容的二次校验。DeepSeek V3成本最低，适合批量处理同类会议记录，但提炼深度不如前两个。
我的搭配：日常用Gemini 3.5 Flash快速提炼，重要内容用GPT-5.5做二次校验，批量周会记录用DeepSeek V3。
人工检查不能省
AI整理的纪要一定要过一遍。重点检查行动项的责任人和截止时间是否准确、决策事项是否遗漏、关键数据是否跟原始记录一致。
效率提升的前提是准确性有保障。省下来的时间不能被纠错的时间吃掉。
一点感受
掌握用AI整理纪要的技巧，本质是在训练结构化思考的能力。你给模型的输出结构越清晰，说明你对会议本身的理解越清晰。AI是镜子，照出来的是你自己的思维质量。
先在实际工作中用起来跑通一个完整流程再优化细节。这个顺序适用于所有AI辅助工作的落地。
