通义万相撰写会议纪要时，即便你已经提供了提示词，仍然可能出现抓不住重点的问题——将闲聊内容当成结论、把过程描述当作最终输出。这实际上并非模型本身的缺陷。

根本原因在于，你的指令没有有效约束模型的注意力边界。模型就像一个聪明但容易分心的学生，指令越模糊，它就越容易偏离目标。根据我的实战经验，核心问题通常出现在第一步：信息源的完整性。

首先锁定核心信息源

打开通义万相→点击「会议纪要」→上传音频文件或选择实时录音→等待转写完成后再进行后续操作。这一步绝不能跳过，【如果未完成转写就直接输入提示词，模型将基于空白或不完整的文本片段生成内容，结果必然方向发散】。

确认右上角显示“转写已完成”并且文字内容可以滚动阅读之后，再进入下一步。这个看似微小的检查动作，实际上是决定最终输出质量的关键分水岭。

用结构化角色指令控制发散倾向

方法一：角色+动词强约束

在提示词开头就明确写明：“你是一名资深项目经理，只做三件事：提取每项决议的负责人、截止时间、交付物；忽略所有讨论过程、举例、语气词、重复确认。” 给模型划定清晰的职责边界，它就能清楚知道哪些内容需要保留、哪些需要过滤。

方法二：字段白名单式限定

写成：“仅输出以下字段，其他内容一律不出现：【决议事项】【责任人】【DDL】【验收标准】。每个字段后换行，字段名加【】，内容顶格写，不加编号不加破折号。” 将输出格式固化，模型就只能在预定框架内运作，想跑偏也几乎不可能。

方法三：反向排除法——这种方法特别适合频繁出现发散的情况

补充一句：“禁止出现‘可能’‘建议’‘我觉得’‘大家提到’‘有人认为’等模糊表述；禁止复述问题背景、会议开场白、寒暄语、技术原理说明。” 明确告诉模型什么绝对不能做，相当于提前堵死了它最容易偏离的路径。

分阶段投喂提示词，避免一次性堆砌

第一步：先让模型识别会议类型

输入：“请判断本次会议属于以下哪一类：项目启动会 / 迭代复盘会 / 客户需求评审会 / 跨部门协调会。只回答类别名称，不解释。” 这一步的目的是给模型建立一个高层次的认知框架。

第二步：根据返回结果动态调用对应模板

例如模型返回“迭代复盘会”，立刻追加提示：“按迭代复盘会纪要规范整理：①阻塞问题（含根因简述）②已解决事项（带验证方式）③待跟进项（含owner和check time）。” 不同会议类型对应不同的信息结构，动态适配比一次性给出所有规则更加精准。

第三步：对关键字段进行二次校验

复制模型输出中的【责任人】字段，单独提问：“以上所有责任人姓名是否全部为公司内部真实员工？如有外部人员或模糊称呼（如‘对方技术同事’），请标为【待确认】。” 这一步相当于质量检测环节，能有效发现模型在信息匹配上的遗漏或错误。

归根结底，编写提示词的核心思路是：先建立上下文，再框定输出结构，最后做补充验证。框架搭建正确，模型自然就不会跑偏了。