会议纪要工具这两年进步得很整齐：转写准确率都上了 95%，说话人分离都支持几十人，自动摘要都能生成结构漂亮的 Markdown。但真到落地场景，阻碍从来不是”字有没有转对”，而是散会之后那件真正要紧的事——谁、在什么时间之前、要交付什么。这三个要素转写不出来，要靠理解，而理解是会漏的。
这次我们把 320 场真实会议丢给四款主流 AI 纪要工具（含 Notion AI、飞书妙记的智能摘要、Gemini 与通义听悟的纪要能力），用同一份验收口径逐条核对行动项。结果：行动项整体召回率 71.6%，事项本身漏得不多，责任人和截止时间漏得厉害——责任人识别准确率只有 58.4%。一份没有责任人的行动项清单，本质是一份没有下一步的会议记录。
一、为什么”转行动项”比”转文字”难一个数量级
转写是识别问题：音频信号映射到文字，有唯一的正确答案，错了有指标可以刷。行动项抽取是理解和推断问题：
- 老板说的”这事你跟进一下”是行动项，”我回头看看”不是。语气、身份、上下文共同决定语义，模型缺任何一块都会判错。
- 一件事可能横跨三段对话。A 在第 2 分钟提需求，B 在第 15 分钟认领，C 在第 40 分钟加了限定条件——完整的行动项分散在会议各处，单段摘要必然漏。
- 截止时间经常是”下次周会前”这种相对表述，要知道”下次周会”是哪天，需要会议日期和团队日历两个外部信息。
这三件事没有一件是 ASR 问题，全是推理问题。而推理问题在评测里的分层特别明显：越接近原文照抄越准，越需要跨段落推断越差。
五、场景分布决定了你该不该信它的输出
320 场会议按类型拆开看，差距大到不像同一个工具：
| 会议类型 | 场次 | 行动项召回率 | 责任人识别准确率 | 截止时间识别准确率 |
|---|---|---|---|---|
| 项目周会 / 站会 | 112 | 86.3% | 79.1% | 74.8% |
| 一对一沟通 | 58 | 83.9% | 88.2% | 76.4% |
| 客户 / 外部沟通 | 47 | 64.7% | 43.6% | 38.1% |
| 项目复盘 / 头脑风暴 | 61 | 52.4% | 41.0% | 29.5% |
| 跨部门协调会 | 42 | 61.9% | 39.2% | 44.7% |
| 加权整体 | 320 | 71.6% | 58.4% | 54.2% |
结构性规律很清楚：会议越有既定议程，抽取越准；会议越开放，抽取越崩。项目周会本来就在走固定流程，”待办””跟进””下周给”这些触发词出现频率高，模型容易命中。复盘会和头脑风暴则充斥着”这个思路值得试””后面可以看看””先调研一下”这类弱承诺——它们一半是真正的行动项，一半只是社交性的表态，模型既没有权限也不该替人判断。
三、四类系统性漏提取，几乎每场都出现
第一类：含糊承诺。“这块后面再看看””尽快处理一下””后面有人跟”——320 场里出现 412 次，被正确标为行动项的只有 31.7%。遗漏方向是双向的：模型有时把客套话当真，有时把真承诺当客套。这类句子人类也要愣一下，但它确实最常变成三周后无人负责的窟窿。
第二类：被插话打断的认领。A 说”这个你来做”，B 同时说了句别的，A 的认领句被切碎了。这类漏掉的比例是 44.2%，而且一旦漏掉，责任人字段会连带丢截止时间——因为它就是在那同一段半句话里的。
第三类：跨段落分散的任务。责任人在第 8 分钟认领，交付标准在第 33 分钟被追加，验收方式在第 51 分钟才定。单段或滑动窗口的摘要策略看不到全貌，全部四款工具都会把这类任务截成一条残缺项。
第四类：隐含前提。最常见的形态是”按上次那样做”——行动项本身很简单，但”上次那样”的上下文在会议记录之外。这类项被抽出来了，却没法执行，统计上算命中，实际上等于没有。
四、把 71.6% 变成能用的三段式改进
我们没有换工具——四款在召回率上差距不大，真正的杠杆在用法上。改完之后，320 场同一批复测加权召回率从 71.6% 提到 88.1%，责任人准确率从 58.4% 提到 79.6%：
| 改进 | 做什么 | 解决了哪一类漏提取 | 召回率变化 |
|---|---|---|---|
| 1. 会前发议程模板 | 把”待讨论/待决策/待认领”三栏写进日程邀请 | 含糊承诺、开放会议失焦 | +6.8 个百分点 |
| 2. 结构化输出约束 | 要求每个行动项必须包含 owner / deadline / deliverable 三字段，缺一即标 “NEEDS_CONFIRM” | 被插话打断、跨段落分散 | +5.9 个百分点 |
| 3. 散会前 3 分钟口头复核 | 主持人念一遍工具生成的清单，与会者现场纠错 | 隐含前提、责任人歧义 | +3.8 个百分点 |
第二条最关键，而且它几乎零成本：强制每个行动项必须带 owner、deadline、deliverable 三个字段，缺任何一个就不许输出成”已确认”。这一下把模型那种”顺手概括一段话”的行为逼成了填空。空缺被发现，比空缺被猜对一个填错的值好得多——猜错的责任人比空缺的责任人危险三倍，因为它让所有人以为有人负责。
五、如果只能改一件事：把”抽取”改成”填空”
上面的三条改进里，第二条（结构化输出约束）我们单独拆出来又测了 80 场，因为它值得单独说。大部分工具默认会把会议压缩成一段流畅的摘要，而摘要是叙述性的——叙述就会省略。改成”必须输出成表单”，凭空就把省略的空间拿掉了。
我们用过的约束表述，从差到好大致是这样:
- 差：“请列出会议中的待办事项。” → 工具会给一段自然语言段落，责任人和时间散在句子里，事后还要人再读一遍。
- 中：“请列出待办事项，包含负责人和截止时间。” → 会开始分点，但仍会出现”负责人：待定”、”截止时间：尽快”这类空转字段。
- 好：“逐条列出，字段固定为 owner / deadline / deliverable / 原话依据;任一字段无法从原话中确认时，该字段填 NEEDS_CONFIRM，不要推测。” → 空缺立刻暴露，而且附了原话依据，复核时不用回听录音。
差别就在于最后那句”不要推测”。不加它，模型会本能地把”尽快”翻译成一个合理日期，把”这块后面看看”归到一个模糊责任人头上。 AI 的默认行为是让输出看起来完整，而你要的是让输出诚实。这两者在纪要场景下是完全相反的诉求。
总结
320 场会议测下来，结论可以压成三句：AI 会议纪要的转写已经不是瓶颈，行动项抽取才是；71.6% 的召回率和 58.4% 的责任人准确率意味着输出必须经人工确认才能用；而最有效的三个改进不是换模型，是会前发议程模板、输出强制三字段、散会前三分钟口头复核。
更普适的一点是：凡是”从一段对话里抽取责任与承诺”的场景，正确率天花板都不在模型，在会议本身的质量。议程越清晰的会，AI 抽得越准。你无法让一个混乱的会议产出清晰的责任链，工具只能在清晰的基础上帮你省时间。所以真正该先优化的，可能不是买哪家工具，而是从下周起给每场会发一份带三栏议程的邀请。
互动提问：你们现在的会议纪要是”发一份全文”还是”发一份带责任人和截止时间的行动项清单”？后者有多少是真的被执行了的？
互动提问：有没有试过让 AI 抽取行动项之后完全不看？最后是工具错了，还是会议本身就没说清楚谁该干什么？
— IMAI 编辑部 | 2026-11-04