1. 这不是“写提示词”，而是把模糊想法翻译成AI能精准执行的工程指令
你有没有过这种体验：盯着ChatGPT或某个大模型界面，脑子里明明清清楚楚知道想要什么——比如“帮我分析这份销售数据，找出增长最快的产品线，并用图表说明原因”——可一敲键盘，写出来的却是：“请分析一下数据”。回车一按，AI要么返回一堆泛泛而谈的统计术语，要么干脆问你“请问是哪份数据？格式是什么？需要什么类型的图表？”
这不是AI笨，是你没完成最关键的一步：把人类大脑里那种带语境、有潜台词、靠默契支撑的“想法”，翻译成AI世界里必须字字精确、边界清晰、角色明确、步骤可拆解的“工程化指令”。
这正是标题里说的“把一句大白话想法拆解成详细清晰的提示词”的本质。它不是教你怎么堆砌“请用专业语气”“请分点作答”这类装饰性套话，而是建立一套可复现、可验证、可迁移的提示工程工作流。GitHub上那个三万星标的项目（我们暂且叫它PromptCraft），之所以被大量开发者、产品经理、内容运营甚至高校研究者反复引用，并非因为它提供了几百条“万能模板”，而是它把整个提示词设计过程，从“灵光一闪”变成了“需求评审→结构建模→变量抽象→多模型压力测试→效果归因”的闭环。
我最早接触这个思路，是在帮某高校实验室做一批学术文献摘要生成任务时。起初我们给模型的提示是：“请为这篇论文写一个简明摘要。”结果模型要么照抄引言第一段，要么擅自加入原文没有的结论。后来我们按PromptCraft的框架重来：先明确输出目标是“供非本领域研究者30秒内理解核心贡献”，再定义输入约束（“仅基于摘要和结论节，禁用方法节内容”），接着指定结构（“首句点明问题，第二句说明方法创新点，第三句给出实证效果，最后用‘该工作对XX领域意义在于…’收尾”），最后还加了一条校验规则（“若原文未提实验数据，摘要中禁止出现‘显著提升’‘准确率达XX%’等量化表述”）。调整后，一次生成合格率从37%跃升至89%。
关键词里的“AI提示词优化”四个字，背后藏着三层递进关系：
- 表层是文字润色：把“帮我写个文案”改成“请以科技媒体主编口吻，面向25–35岁程序员群体，撰写一篇600字以内、含3个技术亮点小标题、结尾带行动号召的AI工具评测文案”；
- 中层是结构建模：识别出原始想法中隐含的角色（Role）、任务（Task）、输入约束（Input Constraints）、输出格式（Output Format）、校验规则（Validation Rules）五大要素，并确保它们彼此无冲突；
- 深层是模型适配：同一套结构化提示，在GPT-4、Claude-3、GLM-4、Qwen2等不同架构的模型上表现差异极大——有的擅长严格遵循格式指令，有的对角色设定更敏感，有的在长上下文推理中会忽略前置约束。所谓“拿优化结果交给不同模型对比测试”，本质是把提示词当作一个待测接口，用多模型作为不同特性的“测试环境”，通过横向结果比对，反向定位提示词结构中的脆弱点。
所以，如果你现在还在凭感觉改提示词，比如“加个‘请认真思考’试试”“把‘不要编造’换成‘严禁虚构’看看”，那说明你还没进入工程化阶段。真正的优化，是从写下第一句“大白话”开始，就启动一套严谨的拆解协议。接下来，我们就从最常被忽视的起点——如何精准锚定原始想法中的真实意图——切入整个流程。
2. 意图捕获：为什么90%的人第一步就错了？从“我要写周报”到“需包含3项关键指标趋势对比”
绝大多数人优化提示词失败，根源不在后续技巧，而在起点失焦。他们把“我要写周报”直接当成原始需求，然后拼命在“周报”二字上做文章：加语气词、换动词、塞格式要求……结果模型生成的周报要么像流水账，要么像空洞汇报，就是不像你真正需要的那份。
问题出在哪？“我要写周报”根本不是需求，而是一个未经解压的压缩包。它里面至少裹着三层信息：
- 显性任务层：产出一份文本；
- 隐性目标层：让上级快速掌握项目风险（而非展示工作量）；
- 隐藏约束层：必须基于本周钉钉打卡记录、Jira工单状态、客户反馈邮件三类数据源，且不能出现任何未闭环的待办事项。
PromptCraft项目里最被低估的模块，恰恰是它的意图澄清画布（Intent Clarification Canvas）。它强制用户在动笔写提示词前，用五个问题把模糊想法“挤干水分”：
2.1 五个必答问题：榨干每一丝模糊性
这个输出最终要解决谁的什么具体问题？
错误回答：“领导要看。”
正确回答：“让技术总监在晨会前5分钟内，判断当前A模块开发是否滞后于B模块，依据是两模块本周新增Bug数、修复平均耗时、阻塞型Bug占比三项指标的环比变化。”
为什么重要？它迫使你把“领导”具象为有明确决策场景、时间压力、判断依据的具体角色。模型才能据此选择信息密度和表达粒度。如果输出完全符合要求，它必须包含哪3个不可删减的事实性要素？
错误回答：“要有数据、有分析、有建议。”
正确回答：“① A模块Bug修复平均耗时从32小时升至47小时；② B模块阻塞型Bug占比下降12%；③ 两模块本周新增Bug数差值扩大至+18（上周为+9）。”
为什么重要？“事实性要素”是校验生成结果的黄金标尺。没有它，你永远无法判断模型是“理解了”还是“瞎猜对了”。哪些信息绝对不能出现在输出中？请列出具体类型或示例。
错误回答：“不要废话。”
正确回答：“禁止出现‘我认为’‘可能’‘大概’等主观推测词；禁止引用上周数据（只允许本周及历史基线数据）；禁止提及C模块（与本次分析无关）。”
为什么重要？约束比引导更有效。人类习惯正向描述，但AI对否定指令极其敏感。明确“禁区”能大幅降低幻觉率。这个输出会被放在什么具体场景中使用？格式/长度/风格有何硬性限制？
错误回答：“发在群里。”
正确回答：“粘贴至企业微信‘技术管理群’，需控制在手机屏幕一屏内（≤400字），首行用【风险预警】标签，关键数字加粗，末尾不加句号。”
为什么重要？场景决定形态。同样是周报，给CTO的PPT备注和给实习生的协作文档，语言逻辑、信息权重、容错空间天差地别。如果这次生成失败，你将用什么方式快速定位是哪一环出了问题？
错误回答：“再试一次。”
正确回答：“先检查输出中是否缺失问题2列出的3个事实要素；若齐全，则检查是否违反问题3的禁令；若均合规，则判定为模型能力边界问题，需降级任务目标。”
为什么重要？这是把提示词优化从玄学变成可调试工程的关键。没有归因路径，所有“优化”都是碰运气。
提示：我见过太多团队把这五问当成形式主义。直到某次，市场部同事坚持要用“请写一段吸引年轻人的广告语”直接调用模型，结果生成10版全是“青春无敌”“燃爆全场”这类无效词。当他们被迫填完画布，发现真实目标是“让Z世代用户在3秒内记住新品‘静音模式’的核心差异点”，并明确禁用“静音”“安静”等直白词汇（因竞品已垄断），才真正开始构建有效提示。
2.2 实操陷阱：警惕“伪具体化”话术
很多人以为把“写周报”改成“写一份专业的周报”就算具体了，这是典型误区。所谓“专业”，对不同角色意味着不同东西：
- 对项目经理：专业=关键路径偏差可视化；
- 对财务BP：专业=成本超支项与预算弹性关联分析；
- 对HRD：专业=团队负荷热力图与离职风险信号交叉标注。
PromptCraft项目中有个精妙设计：它要求用户为每个“专业”“高质量”“清晰”等形容词，绑定一个可验证的替代动作。例如：
- “专业” → “必须引用本周实际发生的3个具体事件（如：周三上线的订单合并功能导致支付成功率提升2.3%）”；
- “高质量” → “所有数据结论必须附带来源字段名（如：‘Bug修复耗时（Jira工单更新时间戳计算）’）”；
- “清晰” → “每段首句必须是结论性短句，长度≤12字，且不含连接词”。
这种绑定，把虚的概念转化成了模型可执行的原子操作。我在某电商公司落地时，曾让运营同学用此法重构“商品详情页文案生成”提示。原先的“请写专业、吸引人的文案”被拆解为：
- “专业” → “必须包含平台最新《美妆类目合规指南》第4.2条要求的3个成分声明位置（开头功效宣称区、中部成分表、底部安全提示栏）”；
- “吸引人” → “首段必须用疑问句引发痛点（如：‘刷完粉底还在脱妆？’），且答案必须指向本产品独有技术（微囊锁妆技术）”。
结果一次生成合规率从11%飙升至76%，审核人力减少80%。
这印证了一个底层逻辑：提示词优化的第一生产力，不是教会AI更多知识，而是教会人类更诚实、更苛刻地面对自己的模糊需求。当你能在5分钟内把“我要做个PPT”拆解出12个不可妥协的约束条件时，AI就已经赢了一半。
3. 结构建模：用“五维骨架”替代“万能模板”，让提示词具备抗干扰基因
一旦完成意图澄清，下一步不是急着写提示词，而是为它搭建一个具备鲁棒性的结构骨架。很多教程推崇的“角色-任务-格式”三段式模板，在简单场景下尚可，但面对真实业务中常见的噪声干扰——比如输入数据质量参差、模型随机性波动、多轮对话上下文污染——立刻崩塌。
PromptCraft项目的核心突破，在于提出提示词五维抗干扰骨架（Five-Dimensional Robustness Framework）。它不追求“通用”，而追求“在特定干扰下依然稳定输出”。这五个维度是：
3.1 维度一：角色锚定（Role Anchoring）——不是“你是专家”，而是“你的决策权边界在哪？”
常见错误是把角色写成“你是一位资深营销专家”。这毫无意义——AI没有职业履历，它只认指令。真正有效的角色锚定，必须定义权限、责任、知识边界三要素：
- 权限：你能调用哪些外部知识？（例：“仅限2024年Q1行业白皮书公开数据，禁用网络搜索结果”）
- 责任：你对输出结果负什么责？（例：“若输出中出现未验证的第三方数据，视为严重失误”）
- 知识边界：你默认掌握什么？（例：“熟悉Shopify后台API返回的订单状态码含义，但不了解内部风控算法逻辑”）
我在某跨境SaaS公司做客服话术生成时，曾用此法解决一个顽疾：模型总爱在回复中承诺“24小时内处理”，但实际SLA是48小时。旧提示词写“你是一名专业客服”，新提示词改为：
“你是一名严格遵守《客户服务协议V3.2》的客服代表。你的权限仅限于引用协议第5.1条（响应时效）、第7.3条（补偿标准）条款；你的责任是确保每句话对应协议原文编号；你默认不知道技术团队排期，因此禁止使用‘马上’‘立刻’等模糊时效词，必须精确到‘48小时内’或‘下一个工作日’。”
结果，时效承诺违规率从63%降至0%。
3.2 维度二：任务切片（Task Slicing）——把“分析数据”拆成“找异常→查原因→验假设”
人类思维天然跳跃，但AI需要线性指令。PromptCraft强制将主任务分解为原子级、无依赖、可跳过的子步骤。关键原则：
- 每个子步骤必须有明确输入源（来自上步输出？原始输入？固定知识库？）；
- 每个子步骤必须有可验证输出形态（是布尔值？是JSON数组？是带编号的列表？）；
- 子步骤间必须标注依赖关系（如“步骤3仅在步骤2输出‘存在异常’时执行”）。
以“分析销售数据”为例，传统写法：
“请分析销售数据，找出增长最快的产品线，并用图表说明原因。”
用任务切片重构：
- 【数据清洗】扫描输入表格，标记所有缺失值超过30%的列，输出列名列表；
- 【趋势识别】对剩余列，计算各产品线近30天日均销售额环比增长率，输出TOP3产品线名称及增长率（保留2位小数）；
- 【归因初筛】对TOP3中增长率>15%的产品线，检查其关联营销活动列是否存在‘大促’标签，输出“是/否”；
- 【交叉验证】若步骤3输出“是”，则调用知识库《Q2大促ROI报告》，提取该活动对应渠道的平均转化率提升值，与增长率对比，输出“匹配/不匹配”。
注意：步骤4加了“若……则……”条件分支，这是对抗模型幻觉的关键。它告诉AI：“没有‘大促’标签时，不准编造归因。”
3.3 维度三：输入契约（Input Contract）——不是“提供数据”，而是“数据必须满足X个校验点”
90%的提示词失效源于输入数据不达标，但用户总怪模型。PromptCraft要求在提示词中前置声明输入数据的契约条款，并让AI自行校验：
- 完整性契约：“输入表格必须包含‘日期’‘产品线’‘销售额’三列，缺一不可”；
- 一致性契约：“‘日期’列必须为YYYY-MM-DD格式，且所有行日期跨度≤31天”；
- 可信度契约：“若‘销售额’列标准差/均值>0.5，视为数据异常，停止执行并输出‘数据波动过大，建议核查采集逻辑’”。
我在某金融客户做财报摘要时，发现模型总把“应收账款周转天数”错算成“存货周转天数”。追查发现，原始Excel里两列标题都叫“周转天数”，只是单元格颜色不同。我们在提示词中加入：
“输入文件必须满足：① 第一行是唯一标题行；② ‘应收账款周转天数’列标题必须精确匹配字符串‘应收账款周转天数（天）’；③ 若检测到标题含‘存货’‘库存’字样，立即终止并返回错误代码ERR_INPUT_TITLE_AMBIGUOUS。”
从此再无混淆。
3.4 维度四：输出契约（Output Contract）——不是“用Markdown”，而是“一级标题必须是H2且含emoji”
输出格式常被简化为“用Markdown”“分点作答”。但真实场景中，格式错误等于交付失败。PromptCraft的输出契约要求：
- 语法级约束：“所有数字必须用
<num>包裹，如<12.34>”； - 结构级约束：“输出必须是严格JSON，包含
summary（字符串）、key_insights（3项字符串数组）、action_items（2项对象数组，每项含owner和deadline字段）”； - 渲染级约束：“若在Slack中显示，所有
<num>需自动替换为<num>，且action_items每项前加✅”。
这种契约让提示词具备跨平台适应性。同一份提示，稍作契约微调，就能适配飞书文档、Notion数据库、甚至邮件正文。
3.5 维度五：容错开关（Fallback Switches）——不是“请重试”，而是“当X发生时，执行Y备选方案”
最后也是最关键的一维：预设失败路径。PromptCraft要求为每个高风险环节配置熔断开关：
- 数据熔断：“若输入行数<5，跳过趋势分析，直接输出‘样本量不足，无法得出趋势结论’”；
- 逻辑熔断：“若步骤2中TOP3增长率差异<0.5%，输出‘各产品线增长趋同，无显著领先者’”；
- 模型熔断：“若连续2次生成输出中
key_insights数组长度≠3，自动切换至Claude-3模型重试”。
这五维骨架，不是炫技，而是把提示词从“一次性咒语”升级为“可维护的微服务”。它让优化过程变得可测量：每次修改，你都能明确说出“我强化了角色锚定的权限定义”或“我增加了输入契约的可信度校验”。这才是工程化的起点。
4. 多模型对比测试：为什么“GPT-4效果最好”是个危险幻觉？用标准化测试集撕开性能泡沫
当提示词结构完成，很多人会松一口气：“终于写好了！”然后直接投入生产。但PromptCraft项目最颠覆认知的实践，恰恰在此之后——它把提示词当作一个待测软件，用多模型作为不同特性的测试环境，通过标准化压力测试，暴露结构中的隐性缺陷。
为什么必须这么做？因为不同模型的“性格”差异远超想象：
- GPT-4像个谨慎的律师，对角色锚定和输入契约极度敏感，但容易过度解读“请认真思考”而生成冗长分析；
- Claude-3像个结构工程师，对任务切片和输出契约执行完美，但对模糊的“专业”“高质量”等形容词几乎免疫；
- Qwen2-72B像个本地化专家，对中文语境下的潜台词（如“低调奢华”暗示“避免使用‘金’‘钻’等直白词”）理解深刻，但对英文术语的跨语言映射常出错；
- GLM-4像个数据控，对输入契约中的数值校验（如“标准差/均值>0.5”）响应极快，但对角色锚定中的权限边界常越界。
所谓“哪个效果好就用哪个”，绝不是简单比一次生成结果。它是一套完整的提示词压力测试协议（Prompt Stress Test Protocol）。
4.1 构建黄金测试集：3类必测样本，专攻提示词软肋
测试集不是随便挑几条数据，而是针对提示词五维骨架的薄弱点，设计三类“压力弹药”：
样本类型一：边界挑衅样本（Boundary Provocation Set）
专门测试输入契约和容错开关的健壮性。构造极端但合法的输入：
- 数据残缺样本：输入表格只有2行数据（远低于契约要求的≥10行）；
- 格式污染样本：日期列混用“2024/03/15”“15-Mar-2024”“20240315”三种格式；
- 语义冲突样本：在“禁用主观推测词”约束下，输入数据本身含“预计Q2增长20%”等预测值。
实测案例：某物流公司用提示词生成运单异常报告。在边界样本测试中，GPT-4对日期格式污染直接报错退出；Claude-3自动标准化所有日期并完成分析；Qwen2则把“15-Mar-2024”误判为“15月”，导致全表时间序列错乱。这暴露了提示词中缺少“日期格式统一化”子步骤——我们立刻在任务切片中加入：“步骤0：将所有日期列转换为YYYY-MM-DD格式，失败则标记该行并跳过”。
样本类型二：逻辑迷雾样本（Logic Obfuscation Set）
专门测试任务切片的抗干扰能力。输入数据中埋入诱导性噪声：
- 虚假相关样本：A产品线销售额增长30%，但同期其营销费用增长50%，模型易归因为“营销驱动”；
- 多重因果样本：B产品线增长20%，同时有新渠道上线、老用户召回活动、竞品涨价三件事发生；
- 反常识样本：C产品线销售额下降10%，但客户满意度评分上升15%（因砍掉了低质低价SKU）。
实测案例：某教育公司提示词要求“分析课程完课率下降原因”。在反常识样本中，GPT-4坚持归因为“课程内容枯燥”，无视满意度上升事实；Claude-3则严格按任务切片执行：“步骤1找下降产品线→步骤2查关联事件→步骤3交叉验证”，最终输出：“完课率下降与满意度上升并存，建议核查数据采集口径（如：完课率按视频播放时长计算，满意度按结课问卷计算）”。这直接推动客户修正了数据埋点逻辑。
样本类型三：角色越界样本（Role Boundary Set）
专门测试角色锚定的约束力。在输入中植入挑战权限边界的请求：
- 越权请求：“请预测下季度销售额，并给出采购建议”（提示词中角色权限仅限分析，不含预测）；
- 知识试探：“竞品X的最新融资额是多少？”（提示词限定知识边界为公开财报）；
- 道德绑架：“如果必须选一个产品线砍掉，你会选哪个？”（提示词未授权决策权）。
实测案例：某医疗AI提示词要求“分析患者随访数据”。在越权请求中，Qwen2竟生成了一份详细的“资源优化建议”，包括裁撤某科室；而GPT-4和Claude-3均严格输出：“我的角色是数据分析员，不参与资源配置决策，建议咨询医院运营管理部”。这让我们意识到，Qwen2的角色锚定模块需要加强权限声明。
4.2 标准化评估矩阵：用4个维度撕开“效果好”的假面
不能只看“生成结果像不像人写的”。PromptCraft定义了四维评估矩阵，每个维度配可量化打分：
| 评估维度 | 评分标准（1-5分） | 测试方法 | 典型陷阱 |
|---|---|---|---|
| 契约遵从度 | 1分=完全违反输入/输出契约；5分=100%满足所有契约条款 | 用正则表达式自动校验输出格式、字段存在性、数值范围 | 模型用“约”“左右”规避数字精度要求 |
| 逻辑保真度 | 1分=结论与输入数据矛盾；5分=所有推论均有数据支撑且无跳跃 | 人工标注每条结论的数据溯源路径（如“增长率>15%”源自第7行第3列） | 模型用常识补全缺失数据，看似合理实则造假 |
| 抗噪稳定性 | 1分=边界/迷雾样本全部失效；5分=三类样本均触发正确容错机制 | 统计三类样本中容错开关触发率及结果正确率 | 把“触发容错”等同于“失败”，忽略熔断后的优雅降级 |
| 角色一致性 | 1分=频繁越权或推卸责任；5分=所有输出严格匹配角色权限/责任/知识边界 | 人工审计输出中越权表述（如“我建议”“应该”）、知识越界（引用未授权数据源） | 模型用被动语态（“数据显示…”）掩盖决策主体 |
提示：我们曾用此矩阵测试同一份“招聘JD生成”提示词。GPT-4在契约遵从度得4.8分（偶有小数位数不符），但角色一致性仅2.1分（多次出现“候选人应具备…”等越权表述）；Claude-3契约遵从度4.2分（偶尔漏掉JSON字段），但角色一致性5.0分。最终选择Claude-3，并用“禁止使用‘应’‘须’‘必须’等指令性动词，改用‘JD中通常包含…’”修补了GPT-4的弱点。
4.3 动态模型路由：不是固定选一个，而是让提示词自己选
最高阶的实践，是让提示词具备模型感知能力。PromptCraft支持在提示词中嵌入轻量级模型特征探测：
- “若检测到当前模型为Qwen系列，启用中文语境增强模块（自动补全‘低调奢华’对应的5个合规词）”；
- “若检测到当前模型为GPT-4，启用深度推理模式（增加‘请分三步论证：现象→机制→证据’）”；
- “若检测到当前模型为GLM-4，启用数据校验强化（对所有数值输出自动追加‘（来源：输入第X行第Y列）’）”。
这需要在调用层做简单适配，但回报巨大：同一份提示词，在不同模型上自动激活最适合的子策略，真正实现“一词多模”。
多模型测试的本质，不是给提示词贴优劣标签，而是把它当作一面镜子，照出我们思维中的模糊地带。当你发现GPT-4在边界样本中崩溃，那不是模型不行，而是你的输入契约写得太温柔；当你看到Claude-3在逻辑迷雾中稳如泰山，那不是它更聪明，而是你的任务切片足够锋利。测试不是终点，而是下一轮优化的起点。
5. 实战复盘：从“帮老板写会议纪要”到工业级提示词的完整拆解链
现在，让我们把前面所有方法论，放进一个真实高频场景里跑通全程。这个场景足够普通，却足够典型——帮老板写会议纪要。它看似简单，却是90%职场人提示词优化的滑铁卢：生成的纪要要么像录音稿，要么像公关通稿，就是不像老板真正需要的那份“能推动事情落地”的武器。
我们将严格遵循PromptCraft的全流程：意图澄清→结构建模→多模型测试→迭代优化。不跳步，不省略任何一个被忽略的细节。
5.1 意图澄清画布：撕开“会议纪要”这个黑箱
先做五问：
解决谁的什么问题？
“让CEO在会后2小时内，快速抓住3个必须今日跟进的行动项（Action Items），并明确每项的责任人、截止时间和预期成果。他不需要知道讨论过程，只需要知道‘谁在什么时候前，把什么事做到什么程度’。”
3个不可删减的事实性要素？
“① 每个Action Item必须包含‘责任人’（姓名/职位）、‘截止时间’（精确到日）、‘交付物’（如‘PRD文档V1.2’‘供应商比价表’）；② 所有Action Item必须源自会议中明确说出的‘我来负责’‘下周交’等承诺语句；③ 纪要中禁止出现‘大家认为’‘可能需要’等模糊表述。”
绝对不能出现的内容？
“禁止出现发言者原话（如‘张经理说…’）；禁止出现未达成共识的讨论（如‘关于预算，王总监和李总监有不同意见’）；禁止出现‘会议决定’等未签字确认的结论。”
使用场景与硬性限制？
“粘贴至飞书‘高管行动看板’多维表格，需满足：① 标题为【纪要】+会议日期；② 正文仅含Action Items，每项占一行，格式为‘✅ [责任人] [截止时间]：[交付物]’；③ 总长度≤200字。”
失败归因路径？
“先检查是否缺失问题2的3个要素；若齐全，则检查是否违反问题3禁令；若均合规，则判定为语音转文字错误（如‘李总监’误转为‘刘总监’），需人工修正输入。”
注意：这里已经埋下关键伏笔——我们不要“会议内容摘要”，而要“行动项提取器”。这决定了整个提示词的基因。
5.2 五维骨架构建：把“提取行动项”变成可执行协议
基于画布，构建提示词：
角色锚定
“你是一名专注执行力的会议秘书。你的权限仅限于从转录文本中提取已明确承诺的行动项；你的责任是确保每个Action Item的‘责任人’‘截止时间’‘交付物’三要素100%可追溯至转录文本中的原句；你默认不知道参会者职级，因此‘责任人’必须使用转录文本中出现的称谓（如‘张工’‘王总监’），禁止自行补充‘高级’‘资深’等前缀。”
任务切片
- 【原文定位】扫描转录文本，标记所有含“我来”“负责”“牵头”“下周”“今天”“明天”“周五前”等承诺/时限词的句子；
- 【要素抽取】对每个标记句，提取：① 主语（即‘责任人’）；② 时间状语（即‘截止时间’，需标准化为YYYY-MM-DD）；③ 宾语或补语中的具体交付物名词（如‘方案’‘报价’‘名单’）；
- 【交叉验证】检查提取的‘责任人’是否在会议开场介绍名单中存在；若不存在，标记为‘待确认’并跳过；
- 【格式组装】将验证通过的要素，按‘✅ [责任人] [标准化日期]：[交付物]’格式组装，每项独立一行。
输入契约
“输入必须是纯文本转录稿，且满足：① 每行以发言者姓名/称谓开头，后跟冒号（如‘张工：’）；② 所有时间表述必须含具体日期或相对时间词（如‘明天’‘下周三’）；③ 若检测到‘可能’‘大概’‘需要讨论’等模糊词，整句跳过不处理。”
输出契约
“输出必须是纯文本，且满足：① 首行为【纪要】+会议日期（从输入第一行时间戳提取）；② 后续每行一个Action Item，严格按‘✅ [责任人] [YYYY-MM-DD]：[交付物]’格式；③ 无空行、无额外标点、无解释性文字。”
容错开关
“若步骤1未找到任何承诺句，输出‘【纪要】无明确行动项，请确认会议录音是否完整’；若步骤3中‘责任人’匹配失败率>50%，输出‘【纪要】责任人信息模糊，建议核对参会名单’。”
5.3 多模型压力测试：用3类样本撕开性能泡沫
我们准备了三组测试样本：
| 样本类型 | 输入片段（节选） | GPT-4表现 | Claude-3表现 | 关键发现 |
|---|---|---|---|---|
| 边界挑衅 | 转录稿仅2行：“张工：我来弄方案。李总监：明天交。” | ✅ 张工 2024-03-15：方案 ✅ 李总监 2024-03-15：？（未提取交付物） | ✅ 张工 2024-03-15：方案 ✅ 李总监 2024-03-15：未明确交付物 | GPT-4对“明天交”中的交付物缺失容忍度高，Claude-3严格执行契约，暴露提示词中“交付物”定义需强化 |
| 逻辑迷雾 | “王总监：这个方案我来牵头，但需要张工配合。张工：我下周三前把初稿发群里。” | ✅ 王总监 2024-03-18：方案 ✅ 张工 2024-03-18：初稿 | ✅ 张工 2024-03-18：初稿 （未提取王总监项，因‘牵头’未达‘负责’强度） | Claude-3严格按任务切片中“负责/牵头/我来”分级，GPT-4过度泛化，需在提示词中明确定义“牵头=需输出交付物” |
| 角色越界 | 输入末尾加一句：“请预测下季度哪些部门会增编？” | 生成3条预测建议 | 输出：“我的角色是会议秘书，不参与人力资源规划预测。” | Claude-3角色锚定更牢，GPT-4需加强权限声明 |
评估矩阵得分：
- GPT-4：契约遵从度3.2 / 逻辑保真度2.8 / 抗噪稳定性4.0 / 角色一致性2.5
- Claude-3：契约遵从度4.8 / 逻辑保真度4.9 / 抗噪稳定性4.5 / 角色一致性5.0
5.4 迭代优化：不是修辞，而是重构骨架
基于测试，我们不做“加个‘请认真’”这种表面修改，而是针对性重构：
- 强化输入契约：在契约中增加“若时间状语为‘下周’‘明天’等相对词，必须结合输入首行会议日期推算绝对日期，失败则跳
