企业官网建设流程全解析

1. 为什么我要把会议记录拆成三块来写

每周至少五场会，每场会结束之后最头疼的不是开会本身，而是会后整理。以前我的做法是打开一个空白文档，一边听录音一边把所有人说的话按时间顺序敲下来，一场一小时的会整理完差不多要四十分钟，写出来的东西像流水账，谁说了什么、哪些是拍板的、哪些还要再议，全混在一起。过两天回头翻，自己都找不到重点。

后来我换了个思路：会议记录的本质不是“记录会议”，而是“记录会议产生的行动”。一场会开完，真正有价值的信息只有三类——已经定下来的决定、需要有人去做的待办、还没定需要再确认的事项。其他的寒暄、讨论过程、中间跑题的内容，都是噪音。把这三类信息分开写，会议记录才真正能用。

这个思路听起来简单，但手工做依然费时间。直到我开始用AI来辅助整理，整个流程才真正跑通。现在我的做法是：会照常开，录音照常录，会后把录音转成文字稿，然后把文字稿丢给AI，用一套固定的提示词让它按“决定、待办、待确认”三个板块输出结构化记录。整个过程从原来的四十分钟压缩到十分钟以内，而且输出质量比我手工整理还稳定。

这篇文章就是把我这套方法完整拆开，包括提示词怎么写、AI输出怎么校验、不同会议类型怎么调整模板、踩过哪些坑。如果你也经常被会议记录折磨，或者团队里没人愿意做会议纪要，这套方法可以直接抄作业。

2. 核心思路拆解：为什么是“决定、待办、待确认”三分法

2.1 传统会议记录的三个致命问题

在讲具体怎么做之前，先说说我以前踩过的坑，这样你更能理解为什么三分法是有效的。

第一个问题是信息平权。传统记录方式把所有发言按时间顺序排列，导致一个关键决策和一句闲聊在文档里占同样的篇幅。读的人需要自己判断哪句重要，这本身就是巨大的认知负担。我统计过自己以前的会议记录，平均一场一小时的会产出三千字左右的文字稿，其中真正需要后续跟进的内容不超过五百字，占比不到两成。

第二个问题是责任模糊。待办事项混在讨论过程里，没有明确的负责人和截止时间。会上大家点头说“好的”，会后没人知道到底谁来做、什么时候交。这种模糊性直接导致任务落地率低，下次开会又要把同样的事情重新讨论一遍。

第三个问题是决策丢失。有些决定是在讨论过程中自然形成的，没有明确的“我们决定……”这样的句式，事后整理时很容易被忽略。等过两周再回头看，完全不记得当时为什么选了A方案而不是B方案。

2.2 三分法的逻辑：按“信息用途”而不是“时间顺序”组织

三分法的核心逻辑是按信息的后续用途来分类，而不是按信息产生的时间顺序来排列。

• 决定：已经拍板的事项，后续不需要再讨论，只需要执行或知会。用途是“存档和追溯”。
• 待办：需要具体某人去完成的事项，有明确的动作和预期产出。用途是“任务分派和跟进”。
• 待确认：讨论中没有结论、需要更多信息或更多人参与才能定的事项。用途是“下次会议的输入”。

这三类信息的生命周期完全不同。决定一旦做出就固定了，待办会随着完成而消失，待确认会在下次会议上转化为决定或新的待办。把它们混在一起，就像把档案、任务清单和问题列表塞进同一个抽屉，找什么都找不到。

2.3 为什么用AI来做这件事

有人可能会问：既然三分法的逻辑这么清晰，手工做不就行了？

手工做当然可以，但有两个问题。第一是速度，一场一小时的会，文字稿少说五千字，人工从中提取三类信息并分类，至少需要二十分钟，而且容易漏。第二是一致性，不同的人整理同一场会，输出格式和颗粒度完全不同，团队协作时很难统一。

AI的优势在于：模式识别能力强、输出格式稳定、速度极快。你给它一段文字稿和一套清晰的指令，它能在几十秒内完成分类和结构化输出。而且只要提示词写得好，每次输出的格式几乎一致，这对团队协作来说非常重要。

我试过用不同的AI模型来做这件事，包括通用大模型和专门针对中文优化的模型。实测下来，DeepSeek在中文会议记录整理这个场景下表现相当稳，对口语化表达的理解准确，输出结构也容易控制。当然其他模型也能用，关键是提示词的设计。

3. 提示词设计：让AI按你的规矩输出

3.1 提示词的基本结构

我用的提示词遵循一个固定结构：角色设定 + 任务说明 + 输出格式 + 分类规则 + 边界条件。这五个部分缺一不可，少任何一个都会导致输出不稳定。

先看一个完整的提示词模板：

你是一名专业的会议记录整理助手。你的任务是把下面这段会议文字稿整理成结构化的会议记录。 输出必须严格按照以下三个板块组织： ## 一、已决定事项 列出会议中已经明确拍板的所有决定。每条决定包含： - 决定内容（一句话概括） - 决策依据（简要说明为什么这么定） - 影响范围（涉及哪些人或哪些工作） ## 二、待办事项 列出会议中分配出去的具体任务。每条待办包含： - 任务描述（具体要做什么） - 负责人（如果文字稿中有明确提到） - 截止时间（如果文字稿中有明确提到） - 优先级（根据讨论中的语气和上下文判断，分高/中/低） ## 三、待确认事项 列出讨论中没有结论、需要进一步确认的事项。每条包含： - 待确认的问题 - 当前讨论到的程度 - 需要谁参与确认 - 建议的确认方式（如“下次会议讨论”“会后单独沟通”“需要补充数据后再定”） 分类规则： 1. 只有明确出现“决定”“定了”“就这么办”“同意”等确认性表述的内容，才归入“已决定事项”。 2. 出现“谁来做”“负责”“跟进”“完成”等任务分配表述的内容，归入“待办事项”。 3. 出现“再想想”“下次再说”“需要确认”“还不确定”等表述的内容，归入“待确认事项”。 4. 如果一段内容同时涉及多个类别，拆开分别归入对应板块。 5. 如果文字稿中没有明确负责人或截止时间，标注“未明确”，不要编造。 边界条件： - 不要添加文字稿中没有的信息。 - 不要对决定内容做主观评价。 - 如果某个板块没有内容，写“无”。 - 输出使用中文，保持简洁，每条不超过两行。 以下是会议文字稿： [粘贴文字稿]

这个模板看起来有点长，但每一部分都有用。角色设定让AI进入状态，任务说明明确目标，输出格式保证结构统一，分类规则解决边界情况，边界条件防止AI自由发挥。

3.2 分类规则的设计细节

分类规则是整个提示词里最关键的部分。我一开始写的规则太模糊，只说“把决定、待办、待确认分开”，结果AI经常把“我们讨论了要不要做X”这种讨论过程归到决定里，或者把“张三说他可以试试”这种非正式表态归到待办里。

后来我把规则细化到关键词匹配的层面，准确率才上来。具体来说：

决定类关键词：决定、定了、就这么办、同意、通过、批准、确认、敲定、拍板。

待办类关键词：负责、跟进、完成、提交、输出、对接、安排、落实、推进。

待确认类关键词：再想想、下次再说、需要确认、还不确定、待定、回头聊、等通知、看情况。

这些关键词不是绝对的，AI会结合上下文判断。但有了这些锚点，AI的分类准确率明显提升。我实测下来，加了关键词规则之后，分类错误率从原来的三成降到了一成以内。

还有一个细节：同一段话可能同时包含多个类别。比如“我们决定用A方案，张三你负责下周把详细方案写出来，另外B方案的可行性还需要再确认一下。”这一句话里就包含了决定、待办、待确认三类信息。提示词里必须明确要求AI拆开处理，否则它会把整段话归到某一类里，导致信息丢失。

3.3 输出格式的稳定性控制

输出格式的稳定性直接决定了后续能不能自动化处理。如果每次AI输出的格式都不一样，你就没法用脚本去解析和汇总。

我试过几种格式控制方法。最简单的是用Markdown标题加列表，就是我上面模板里的写法。这种格式人读起来清晰，但机器解析稍微麻烦一点。如果你需要把输出直接导入任务管理工具，可以用更结构化的格式，比如JSON。

JSON格式的提示词片段大概是这样：

输出必须是合法的JSON，结构如下： { "decisions": [ {"content": "决定内容", "reason": "决策依据", "scope": "影响范围"} ], "todos": [ {"task": "任务描述", "owner": "负责人", "deadline": "截止时间", "priority": "高/中/低"} ], "pending": [ {"question": "待确认问题", "status": "当前程度", "participants": "参与人", "method": "确认方式"} ] }

JSON的好处是结构化程度高，可以直接被程序读取。缺点是AI偶尔会输出不合法的JSON，比如多一个逗号或者少一个引号。我的经验是，用JSON格式时一定要在提示词里强调“输出必须是合法JSON，不要添加任何其他文字”，并且在拿到输出后做一次校验。

如果你只是自己看，Markdown格式足够了。如果要把会议记录接入团队的工作流，JSON更合适。

4. 完整实操流程：从录音到结构化记录

4.1 第一步：录音转文字

这一步是基础。录音转文字的准确率直接影响后续AI整理的质量。如果文字稿里全是错别字和乱码，AI再强也整理不出好东西。

我试过几种转文字的方案。手机自带的录音转文字功能最方便，但准确率一般，特别是多人讨论、有口音或者语速快的时候，错误率明显上升。专门的转文字工具准确率更高，但需要额外付费。

我的建议是：如果会议内容重要，用专门的转文字工具；如果是内部同步会，手机自带功能够用。转完文字之后，花两分钟快速扫一遍，把明显的人名错误和关键术语错误改掉。这一步不能省，因为人名错了会导致待办分配错误，术语错了会导致决定内容失真。

还有一个细节：转文字的时候尽量保留说话人标识。有些工具可以自动区分不同说话人，输出格式是“说话人1：……说话人2：……”。有了说话人标识，AI在判断“谁负责什么”的时候准确率会高很多。如果工具不支持自动区分，可以在会议开始时让每个人简单自我介绍一句，方便后续人工标注。

4.2 第二步：文字稿预处理

转完文字之后不要直接丢给AI，先做一步预处理。预处理包括三件事：

第一，去掉明显的噪音。比如“喂，听得到吗”“我这边信号不太好”“稍等我看一下”这类内容，对整理没有帮助，反而会干扰AI的判断。手工删掉或者用简单的脚本过滤都可以。

第二，标注关键段落。如果会议中有特别重要的决定，可以在文字稿里用方括号标注一下，比如“[重要决定] 我们确定用A方案”。这样AI在整理时会更关注这些段落。这一步不是必须的，但做了之后输出质量会更好。

第三，分段。如果文字稿是一大坨没有换行的文本，AI处理起来容易漏内容。建议按话题或按时间切成若干段，每段不超过两千字。分段之后AI的处理准确率会明显提升。

4.3 第三步：调用AI整理

把预处理好的文字稿粘贴到提示词模板的最后，然后发送给AI。这里有几个实操细节：

模型选择：我主要用DeepSeek，因为它在中文理解和结构化输出方面表现稳定。如果你用的是其他模型，提示词可能需要微调。比如有些模型对“不要编造”这类指令不敏感，需要更强调。

温度参数：如果模型支持调节温度，建议调到0.3左右。温度太高AI会自由发挥，温度太低输出会过于死板。0.3是一个比较平衡的值，既保证格式稳定，又保留一定的语言灵活性。

分段处理：如果会议文字稿超过一万字，建议分段处理。先让AI整理前半段，再整理后半段，最后人工合并。一次性丢太多内容给AI，它可能会漏掉中间部分的信息。

输出校验：拿到AI输出后，不要直接就用。花三分钟做一次校验，重点检查三件事：决定事项是否完整、待办事项的负责人是否准确、待确认事项是否遗漏。我自己的经验是，AI的输出准确率大概在八成到九成之间，剩下的一到两成需要人工补。

4.4 第四步：人工校验与补全

人工校验的重点是查漏补缺和纠正错误。

查漏补缺方面，我会对照原始文字稿快速扫一遍，看有没有重要的决定或待办被AI漏掉了。特别是一些没有用明确关键词表达的决策，比如“那我们就按这个方向走”这种隐含决定，AI有时候会漏。

纠正错误方面，主要看三类问题：一是负责人搞错了，比如把“张三负责”写成了“李四负责”；二是截止时间搞错了，比如把“下周三”写成了“下周五”；三是分类搞错了，比如把待确认事项归到了决定里。

校验完之后，把最终版本保存下来。我习惯用Markdown格式保存，文件名格式是“日期-会议主题-会议记录.md”，方便后续检索。

4.5 第五步：分发与跟进

整理好的会议记录要分发给参会人，并且明确待办事项的跟进机制。

我的做法是：会议记录整理完之后，当天内发到团队群里，并且@所有有待办事项的人。待办事项我会单独复制一份到任务管理工具里，设置好截止时间提醒。下次开会时，第一件事就是过一遍上次会议的待办完成情况。

这个闭环非常重要。如果整理完就完了，没有跟进，那会议记录就只是一份文档，不会产生实际价值。只有把待办事项接入任务管理流程，会议记录才能真正推动工作。

5. 不同会议类型的模板调整

5.1 决策型会议：强化“决定”板块

决策型会议的目的是拍板，所以“决定”板块是重点。这类会议的提示词需要调整，让AI更关注决策相关的表述。

调整方法是在提示词里加一段：

本次会议是决策型会议，请重点关注以下内容： - 每个决定的具体内容、决策依据、影响范围 - 是否有反对意见或保留意见 - 决定的生效时间和执行起点 - 如果决定有多个方案，记录最终选了哪个以及为什么

决策型会议的“待办”板块通常比较轻，主要是执行层面的任务分配。“待确认”板块可能没有，因为决策型会议的目标就是消除不确定性。

5.2 同步型会议：强化“待办”和“待确认”

同步型会议（比如周会、项目进度会）的目的是信息对齐，所以“待办”和“待确认”是重点。

调整方法：

本次会议是同步型会议，请重点关注： - 每个人汇报中提到的待办事项和截止时间 - 跨部门依赖和需要协调的事项 - 风险点和需要升级的问题 - 上次会议待办的完成情况

同步型会议的“决定”板块通常比较少，但如果有，一定要记录清楚。很多同步会开着开着就变成了决策会，这时候决定事项不能漏。

5.3 头脑风暴会：强化“待确认”和想法归类

头脑风暴会的输出比较发散，没有明确的决定和待办。这类会议的整理重点是把想法归类，并且标注哪些想法值得进一步讨论。

调整方法：

本次会议是头脑风暴会，请按以下结构整理： - 提出的所有想法（按主题归类） - 每个想法的提出人 - 讨论中认为值得进一步探索的想法 - 需要补充信息或数据才能判断的想法 - 明确被否决的想法及原因

头脑风暴会的整理不需要太正式，重点是保留想法的完整性和多样性，方便后续筛选。

6. 常见问题与排查技巧

6.1 AI把讨论过程当成了决定

这是最常见的问题。AI看到“我们讨论了A方案和B方案”就归到了决定里，但实际上这只是讨论，没有拍板。

解决方法：在提示词里明确要求“只有出现明确确认性表述的内容才归入决定”。如果还是出错，可以在文字稿里把真正的决定用方括号标注出来，给AI更明确的信号。

6.2 待办事项没有负责人

有时候会上大家口头分配了任务，但文字稿里没有明确写“谁负责”。AI会标注“未明确”，但这会导致后续跟进困难。

解决方法：会后花一分钟回忆一下，把负责人补上。如果实在想不起来，在待办事项后面标注“负责人待确认”，下次开会时先确认这件事。

6.3 AI输出格式不稳定

不同模型、不同温度参数、不同文字稿长度，都会影响输出格式的稳定性。

解决方法：固定使用同一个模型和同一套提示词，温度参数固定在0.3。如果格式还是不稳定，可以在提示词里加一句“输出格式必须与示例完全一致，不要添加任何额外说明文字”。

6.4 文字稿太长导致AI漏内容

超过一万字的文字稿，AI可能会漏掉中间部分的信息。

解决方法：分段处理。每段不超过五千字，分别整理后再合并。合并时注意去重和排序。

6.5 常见问题速查表

7. 我踩过的坑和实操心得

7.1 不要追求全自动

我一开始的想法是做一个全自动流程：录音自动转文字，文字自动丢给AI，AI输出自动发到群里。实测下来，这个流程在技术上可行，但实际效果不好。因为会议记录的核心价值在于准确，而AI的准确率目前还做不到百分之百。如果全自动输出有错误，发到群里反而会造成误导。

我的建议是：AI做初稿，人工做终审。AI负责快速整理和分类，人负责校验和补全。这样既保证了效率，又保证了质量。

7.2 提示词要迭代

没有一套提示词是一次性写好的。我现在的提示词是经过十几版迭代才稳定下来的。每次遇到新的问题，就在提示词里加一条规则。比如有一次AI把“张三说他可以试试”归到了待办里，我就在规则里加了一条“非正式表态不算待办，只有明确的任务分配才算”。

提示词迭代的过程，其实就是你对会议记录这件事的理解不断深化的过程。一开始你可能只想要一个结构化的输出，后来你会发现还需要控制颗粒度、处理边界情况、适配不同会议类型。这些需求都是在实际使用中逐渐发现的。

7.3 保留原始文字稿

AI整理完的会议记录是精简版，但原始文字稿不要删。有时候过了一个月，你需要回溯某个决定的讨论过程，精简版里可能没有细节，原始文字稿里才有。

我的做法是：原始文字稿和整理后的会议记录放在同一个文件夹里，文件名关联起来。需要查细节的时候，从整理版里找到关键词，再去原始文字稿里搜索。

7.4 会议记录的价值在于跟进

整理得再好，如果不跟进，会议记录就是一堆废纸。我见过很多团队，会议记录写得很漂亮，但待办事项没人管，下次开会还是讨论同样的问题。

我的做法是：每次开会的第一件事，就是过一遍上次会议的待办完成情况。完成的打勾，没完成的说明原因，需要延期的重新设定截止时间。这个习惯坚持了半年之后，团队的待办完成率从原来的不到五成提升到了八成以上。

7.5 小团队和大团队的差异

小团队（五个人以内）的会议记录可以简单一些，重点是待办事项。因为人少，决定和待确认事项大家口头同步就够了。

大团队（十个人以上）的会议记录必须完整，因为信息传递链条长，不写清楚就会有人不知道。而且大团队的会议记录需要更正式的格式，方便跨部门传阅。

我现在带的团队是八个人，我的做法是：决定和待办必须写清楚，待确认事项可以简略一些，但必须标注需要谁参与确认。

8. 后续可以扩展的方向

这套方法目前主要用在内部会议上，但逻辑可以扩展到其他场景。比如客户沟通记录，可以把“决定、待办、待确认”换成“客户需求、我方承诺、待确认信息”。比如面试记录，可以换成“候选人亮点、待核实信息、下一步安排”。

核心逻辑是一样的：按信息的后续用途来分类，而不是按时间顺序来记录。只要抓住这个核心，具体的分类维度和提示词都可以根据场景灵活调整。

另外，如果你想把会议记录接入团队的工作流，可以考虑把AI输出的JSON格式直接导入任务管理工具。我试过用脚本把待办事项自动同步到任务看板，效果不错，省去了手工录入的步骤。不过这个需要一定的开发工作量，适合有技术资源的团队。

最后分享一个我最近在用的技巧：在提示词里加一句“请用一句话总结本次会议的核心结论”。AI会在三个板块之外额外输出一句总结，放在会议记录的最前面。这句话在后续检索和回顾时特别有用，一眼就能看出这场会到底解决了什么问题。