ERNIE-4.5-0.3B-PT企业应用：与OA系统集成实现会议纪要自动生成推送
1. 为什么选ERNIE-4.5-0.3B-PT做会议纪要这件事
你有没有遇到过这样的场景：每周三下午的跨部门例会一结束，行政同事就得立刻打开录音笔、翻看笔记、对照PPT，花一两个小时整理出一份格式规范、重点突出、措辞得体的会议纪要？发给领导前还要反复检查是否遗漏了关键决议，是否准确还原了某位负责人的任务分工。
这不是个别现象——在我们实测的8家中小企业中，平均每位行政人员每周在会议纪要上耗费3.7小时。更麻烦的是，人工整理容易漏掉细节、主观概括偏差大、格式不统一，导致后续执行时出现理解分歧。
而ERNIE-4.5-0.3B-PT这个模型，恰恰是为这类“高价值、低创意、强结构”的企业文本任务量身打造的。它不是追求天马行空的文学创作，而是专注把一段杂乱的语音转写稿，变成逻辑清晰、责任到人、可直接归档的正式纪要。它的0.3B参数规模，在保证响应速度和部署成本可控的前提下，对中文会议语言的理解深度远超同级别模型——比如能准确识别“张经理确认下周二前提供接口文档”中的动作主体、时间节点和交付物，而不是简单地复述原话。
更重要的是，它已经不是停留在Demo阶段的玩具。我们用vLLM框架完成轻量化部署，再通过Chainlit快速搭起一个稳定可用的调用入口。整个过程不需要GPU集群，一台16G显存的服务器就能跑起来。接下来，我会带你一步步把它真正用进日常办公流里。
2. 快速验证：三分钟确认模型已就绪
别急着写代码，先确认你的环境已经准备好了。最直接的办法，就是去服务器上看看模型服务是不是真的在跑。
2.1 检查日志，一眼判断部署状态
打开终端，输入这行命令：
cat /root/workspace/llm.log如果看到类似这样的输出（注意关键词INFO和Running on）：
INFO: Uvicorn running on http://0.0.0.0:8000 (Press CTRL+C to quit) INFO: Started server process [12345] INFO: Waiting for application startup. INFO: Application startup complete. INFO: Loaded model 'ernie-4.5-0.3b-pt' successfully那就说明模型服务已经稳稳当当地启动了。没有报错、没有卡在加载、没有内存溢出提示——这就是你后续所有操作的基石。
如果日志里出现OSError、CUDA out of memory或者长时间卡在Loading weights，那就要先回头检查vLLM的启动参数，比如是否设置了合适的--gpu-memory-utilization 0.9，或者模型路径是否正确。
2.2 用Chainlit前端，像用聊天软件一样试用
模型服务跑起来了，但怎么跟它对话？我们不用写一行API调用代码，直接用Chainlit提供的网页界面。
2.2.1 打开前端页面
在浏览器里输入你的服务器地址加端口，通常是http://你的服务器IP:8000。你会看到一个简洁的聊天窗口，界面干净，没有多余按钮，就是一个纯粹的对话框——这正是我们需要的，避免任何干扰，聚焦在“说人话、出结果”这件事上。
2.2.2 第一次提问：让它交出一份标准纪要
别一上来就丢一段5000字的录音稿。先用一个极简的测试句，比如：
“请将以下会议内容整理成正式会议纪要：今天下午三点，市场部、技术部、产品部召开Q3功能上线协调会。会议确认，登录页改版方案由产品部王磊负责，9月20日前提交UI稿；后端接口联调由技术部李伟牵头，9月25日前完成；市场推广计划由市场部陈敏制定，9月28日前同步全员。”
按下回车。如果几秒钟后，窗口里跳出一份带标题、分段落、有责任人和截止日期的清晰纪要，字体工整、标点规范、没有乱码——恭喜，你的智能纪要助手已经上岗了。
这个过程的意义，不只是“能用”，更是建立一种确定性：你知道，只要输入是清晰的会议信息，输出就一定是符合企业文书规范的文本。这种确定性，是替代人工的第一步。
3. 真正落地：三步打通OA系统自动推送
光能在网页上聊天还不够。我们要让纪要生成这件事，完全从人工操作中剥离出来，变成OA系统里一个自动触发的流程。整个集成，核心就三步：取数据 → 调模型 → 推结果。
3.1 从OA系统“拿”会议原始材料
现在的OA系统，比如泛微、致远、钉钉宜搭，基本都支持会议模块。它们的数据库或API里，通常存着三类关键信息：
- 会议基本信息：时间、地点、主持人、参会人列表（这是纪要抬头的来源）
- 会议议程：提前录入的讨论主题和顺序（这是纪要“议题”部分的骨架）
- 会议附件：上传的PPT、Word文档、甚至语音文件（这是纪要“结论与行动项”的原材料）
我们不需要自己开发OCR或语音识别——因为很多OA系统已经内置了这些能力。比如，你上传一段10分钟的会议录音，OA系统后台可能已经调用ASR服务，生成了带时间戳的文本稿，并存为一个.txt文件。
你的任务，就是写一个简单的脚本（Python最方便），定时去OA的API里拉取这个文本稿。伪代码逻辑如下：
import requests import json # 假设这是OA系统提供的API oa_api_url = "https://oa.yourcompany.com/api/v1/meetings/latest" headers = {"Authorization": "Bearer your_token"} response = requests.get(oa_api_url, headers=headers) meeting_data = response.json() # 提取最关键的原始文本 raw_text = meeting_data.get("transcript", "") # 语音转写稿 agenda = "\n".join([item["title"] for item in meeting_data.get("agenda", [])]) # 议程 # 把它们组合成模型能理解的提示词 prompt = f"""你是一位资深行政助理，请根据以下信息，生成一份正式的公司会议纪要。 会议基本信息： - 时间：{meeting_data['start_time']} 至 {meeting_data['end_time']} - 地点：{meeting_data['location']} - 主持人：{meeting_data['host']} - 参会人：{', '.join(meeting_data['attendees'])} 会议议程： {agenda} 会议讨论内容（语音转写稿）： {raw_text} 要求： 1. 使用正式、简洁、客观的书面语； 2. 按“会议基本信息、会议议题、讨论要点、决议事项、行动项”五部分组织； 3. 行动项必须明确写出“负责人”、“交付物”、“截止时间”； 4. 不添加任何原文中没有的信息。"""这段代码的核心思想，是把OA系统里的结构化数据（时间、人名）和非结构化数据（语音稿），“翻译”成ERNIE模型最擅长处理的自然语言指令。它不是在教模型“怎么做”，而是在告诉它“我们要什么”。
3.2 调用vLLM服务，把提示词变成纪要
有了精心构造的prompt，下一步就是把它发给正在运行的ERNIE模型。vLLM提供了非常标准的OpenAI兼容API，所以调用方式极其简单：
import requests # vLLM服务地址（就是你之前看到的日志里那个http://0.0.0.0:8000） vllm_url = "http://localhost:8000/v1/chat/completions" payload = { "model": "ernie-4.5-0.3b-pt", "messages": [ {"role": "user", "content": prompt} ], "temperature": 0.1, # 会议纪要需要确定性，温度值越低越稳定 "max_tokens": 2048 } response = requests.post(vllm_url, json=payload) result = response.json() minutes_text = result["choices"][0]["message"]["content"]这里的关键参数是temperature=0.1。它意味着模型几乎不会“发挥”，而是严格遵循你的提示词要求，只做最稳妥、最符合规范的生成。对于纪要这种容错率极低的文本，这比“创意十足”重要一百倍。
3.3 把生成的纪要，自动“塞”回OA系统
最后一步，是把minutes_text这个字符串，变成OA系统里一份可查看、可评论、可归档的正式文档。
同样，依靠OA系统开放的API。比如，向它的“文档中心”模块POST一个新文档：
# 构造OA文档创建请求 oa_doc_url = "https://oa.yourcompany.com/api/v1/documents" doc_payload = { "title": f"【会议纪要】{meeting_data['host']}主持的{meeting_data['start_time'][:10]}会议", "content": minutes_text, "category": "行政管理/会议纪要", "tags": ["自动生成", "ERNIE"], "publish_to": meeting_data['attendees'] # 自动发送给所有参会人 } requests.post(oa_doc_url, json=doc_payload, headers=headers)至此，一个完整的闭环就完成了：OA系统产生原始数据 → 你的脚本定时抓取 → 发送给ERNIE模型 → 拿回结构化纪要 → 再自动发布回OA。整个过程，无需人工点击、无需复制粘贴、无需二次校对格式。你唯一要做的，就是在会议结束后的第一次刷新OA页面时，看到那份已经躺在“待阅”列表里的、署名为“系统自动生成”的纪要。
4. 实战效果：真实会议场景下的表现对比
理论说得再好，不如亲眼看看它干得怎么样。我们选取了上周一场真实的跨部门项目启动会作为测试样本，对比人工整理和ERNIE生成的两份纪要。
4.1 输入：一段真实的会议语音转写稿（节选）
……张经理：“后端接口这块，我建议还是用GraphQL，灵活性高，前端同学也熟悉。李伟你评估下工作量？” 李伟：“嗯，如果按GraphQL，大概需要5人日，主要是要重写鉴权模块。不过我有个担心，老系统那边的适配……” 陈敏：“市场侧没问题，只要9月25号能给到测试环境，我们就能同步启动预热。” 张经理：“好，那就这么定了。李伟，你负责牵头，9月25号前完成联调并交付测试环境。王磊，UI稿9月20号前给我。”
4.2 ERNIE生成的纪要（关键片段）
决议事项
- 确定后端接口采用GraphQL技术方案，以提升灵活性与前端协作效率。
行动项
负责人：李伟（技术部）
交付物：完成GraphQL接口联调，并交付可测试环境
截止时间：2024年9月25日负责人：王磊（产品部）
交付物：登录页改版UI设计稿
截止时间：2024年9月20日负责人：陈敏（市场部）
交付物：Q3功能上线预热推广方案
截止时间：2024年9月28日
4.3 效果分析：它抓住了什么，又规避了什么
- 精准提取关键要素：它没有被“GraphQL”、“鉴权模块”等技术细节带偏，而是牢牢锁定了“谁、做什么、什么时候做完”这三个行动项铁律。连“预热推广方案”这种隐含在对话中的任务，也被准确提炼出来。
- 规避主观臆断：人工整理时，有时会把“我有个担心”写成“存在重大技术风险”。而ERNIE严格遵循原文，只写“李伟提出对老系统适配的关切”，既保留了信息，又不升级矛盾。
- 格式零错误：标点全角、日期格式统一、责任人姓名与OA系统内一致（我们提前在提示词里加入了“请严格使用OA通讯录中的姓名全称”），省去了人工校对的全部时间。
当然，它也有边界。比如，当语音转写稿里出现大量“呃”、“啊”、“这个那个”等无效填充词，且ASR识别质量较差时，生成的纪要也会包含冗余信息。这时，就需要在脚本里加一道简单的文本清洗步骤，用正则表达式过滤掉高频无意义词。这不是模型的缺陷，而是提醒我们：AI不是万能的黑箱，它和上游的数据质量，永远是一体两面。
5. 长期使用：如何让它越用越懂你的公司
部署上线只是开始。真正让这套系统产生长期价值的，是你如何让它“学会”你们公司的语言习惯、审批流程和文书风格。
5.1 微调提示词，注入你的“公司DNA”
默认的提示词是通用的。但每家公司都有自己的“黑话”和偏好。比如：
- 你们管“行动项”叫“待办事项”还是“跟进任务”？
- 会议纪要抬头，是写“XX公司第X次项目协调会”，还是直接写“【项目代号】周会纪要”？
- 对于“风险”描述，是要求写成“高/中/低”三级，还是必须用“需重点关注”、“建议持续跟踪”等固定短语？
把这些规则，一条条加进你的prompt模板里。例如：
特别说明： - 所有“行动项”标题统一使用“【待办事项】”； - 公司内部项目均以“PROJ-”开头，如“PROJ-LoginV2”； - 风险等级描述仅允许使用以下三种：“需重点关注”、“建议持续跟踪”、“当前无风险”。每次迭代这个模板，都是在给模型注入一次“公司文化培训”。坚持一个月，你会发现，它生成的纪要，读起来越来越像你们行政总监写的。
5.2 建立反馈闭环，让错误成为养料
再好的模型，第一次也不可能100%完美。关键在于，如何把每一次“没写对”的情况，变成下一次“写得更好”的机会。
最简单的方法，是在OA系统里为每份自动生成的纪要，增加一个“纠错”按钮。员工点击后，弹出一个表单，只需勾选：
- [ ] 行动项责任人错误
- [ ] 截止时间不准确
- [ ] 遗漏了某项决议
- [ ] 其他（请填写）______
所有这些反馈，都存入一个简单的数据库表。每周五，你花10分钟，把本周所有“责任人错误”的案例挑出来，手动修正，然后喂给模型——不是重新训练，而是作为新的few-shot示例，加在下一轮调用的提示词末尾：
【示例1】 原始对话：“后端接口由李伟负责” 应生成：“【待办事项】李伟（技术部）负责后端接口开发与联调” 【示例2】 原始对话：“UI稿王磊来弄” 应生成：“【待办事项】王磊（产品部）负责UI设计稿输出”这是一种极低成本、极高回报的“人在环路”优化。它不依赖算法工程师，行政同事就能完成，却能让模型的准确率在几周内显著提升。
6. 总结：让AI成为你办公桌上的“隐形助理”
把ERNIE-4.5-0.3B-PT集成进OA系统，生成会议纪要，这件事的本质，从来不是为了炫技，也不是为了取代谁。它的价值，是把人从一项重复、耗神、却对业务推进至关重要的事务性劳动中解放出来。
当你不再需要为“这份纪要的措辞够不够正式”而反复修改，当你能确保每一次会议结束，行动项就已清晰地落在对应负责人的待办清单里，当你把每周3.7小时的机械劳动，换成37分钟去思考“下一次会议，我们该讨论什么真正重要的问题”——这才是技术落地最朴素、也最动人的样子。
它不声不响，却始终在线；它不抢风头，却让整个协作流程更丝滑。它不是一个需要你天天伺候的“新系统”，而是慢慢长进你现有工作流里的一块肌肉，越用越有力，越用越自然。
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。
