会议室里常见一种尴尬:讨论结束时,大家看向屏幕,指望一段自动生成的纪要把争论收束清楚。结果拿到的是礼貌而空泛的段落,动词很多,决定很少。于是有人怪模型,有人怪提示词,改了几版,问题依旧在。
这类失望容易被误读成“工具不行”。但把任务摊开看,会议纪要并不是把语音转成文字,再压成几段话。它需要识别议题、区分结论与建议、标出待办和责任人,还要承认有些话没有说清。把这些要求一股脑塞给生成式人工智能,等于让它替人做一次没有边界的编辑判断。它当然会给出像样的文本,却未必给出可用的文本。
问题往往不在那一句提示词
提示词当然有用,但它不是遥控器。很多失败的任务,缺的并不是华丽的指令,而是上下文:这场会为什么开,哪些决定已有前置条件,哪些词在团队内部有特殊含义。把这些背景省略,只留下一句“帮我整理会议纪要”,模型只能根据常见写法补齐,补出来的内容看起来顺,却可能偏离现场。
另一个容易忽略的地方,是任务本身没有拆开。让模型一次完成转写清理、结论提取、待办分派和语气调整,出错时很难知道是哪一步偏了。稳妥的做法,是把它放进一条可检查的流程:先清理明显的口语重复,再单独提取决定项,随后核对责任人与时间,最后才处理表达。流程听起来笨,却让每一步都有回看的位置。
它擅长的是草稿,不是替人签字
生成式人工智能在语言组织上有实际用处,尤其适合把零散记录变成可读的草稿。但草稿和定稿之间,隔着一层责任判断。会议里谁说了一句“回头再看”,到底是待办,还是仅仅表示犹豫?这类判断依赖组织语境,也依赖人对后果的承担。模型可以提出候选,不能替人确认。
所以校验不该被当成附加步骤,而应写进使用方式。校验不是逐字比对,而是问几个具体问题:结论有没有对应的讨论依据,待办有没有明确到可以执行,模糊表述有没有被擅自确定。若答案含糊,宁可保留原话,也不要让一段流畅的文字制造确定感。
边界感来自具体任务
围绕生成式人工智能的讨论常在两极之间摆动:一边期待它接管流程,一边担心它制造噪音。有用的态度,也许是把它放回具体任务里看。一个任务需要多少背景、允许多少自由、出错后由谁复核,这些答案决定了它该出现在哪一步。工具的能力不是抽象标签,而是在流程中一点点显出来的。
回到会议纪要,真正要改的可能不是那句提示词,而是我们对任务的描述方式。把“写一份纪要”换成“列出已确认的决定、未决问题和待办,并标出需要人确认的地方”,模型的表现会不一样,人的阅读方式也会不一样。它仍然会犯错,但错误容易看见。对日常协作来说,漂亮总结未必是目标,可核对才是。