需用结构化标签、立场标记和反向指令三步法确保会议争议记录完整：①按【争议点】【分歧根源】【待验证主张】强制拆解；②用【角色】或(反对)等标签标识立场；③通过检查被否决方案、事实冲突及禁用脑补堵漏。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜

你需要让有道云AI生成的会议争议记录不漏掉谁反对、为什么反对、反对到什么程度，避免把“王磊当场打断李婷发言”压缩成“存在不同意见”。

第一步：用结构化标签强制拆解争议维度

在提示词开头直接写明输出格式：“请严格按以下三部分组织内容：①【争议点】列出所有存在明确对立陈述的议题，每人观点单独成行，保留原话中的否定词（如‘不能’‘必须停’‘坚决反对’）；②【分歧根源】仅分析同一问题下结论差异背后的隐含前提，例如‘A认为上线即安全’vs‘B认为灰度期才有真实反馈’，根源是‘对风险定义的理解不同’；③【待验证主张】只收录需数据支撑的断言，且必须标注提出人+原始措辞，如‘张伟：“AB测试样本量不足，结论不可信”’。”

这一步锁死AI的归类逻辑。没有结构化标签，AI会把“我不同意”和“建议再议”混为一谈，更不会主动挖出“风险定义不同”这种深层差异。

第二步：喂给AI带立场标记的真实发言

方法一：手动添加角色前缀
在粘贴会议记录前，在每条发言前补上【】包裹的角色标识，例如：
【产品总监】“三期必须砍掉积分模块”
【技术负责人】“后端接口重构未完成，强行砍模块将导致订单漏单”
【测试组长】“当前自动化覆盖率仅41%，无法支撑全量回归”

方法二：补短标签激活对抗识别
若原始记录无角色信息，至少补上“(反对)”“(补充前提)”“(质疑数据)”等短标签，例如：“用户增长放缓→(质疑数据)‘6月DAU环比其实升了3%’”。【没有立场标记的讨论文本，AI默认视为共识陈述】

AI对括号内身份标签的敏感度远高于自然语言中的“我觉得”，能据此识别对抗性陈述。纯靠上下文推断，它大概率把技术负责人的警告当成“补充说明”而非“否决依据”。

第三步：用反向指令堵住AI脑补漏洞

第一步：当出现“一致同意”时，立即检查此前5条消息内是否有人提过替代方案——如有，列为【被否决方案】并注明否决理由，例如：“否决方案：分阶段上线积分模块（提出人：李婷｜否决理由：研发排期已满）”。

第二步：扫描所有含“应该”“必须”“肯定”的断言句，查找是否存在同一事实的相反判断，例如：“转化率必然提升”与“历史数据显示该功能上线后次周留存下降5.2%”，合并为【事实冲突】条目，并标注原始时间戳。

第三步：在提示词末尾加硬性指令：“未出现在原始记录中的观点、推理、总结，一律禁止生成；若某争议点无对应发言原文，则该项留空，不可补‘暂无记录’或‘未提及’。”