大模型搞定微信群聊摘要：清洗、切片与提示词实战

微信群聊一天几百条真正常看的可能就那几句等你想回头找的时候早就被新消息淹没了。我接手过一个社群运营项目群里三天两头上千条消息翻记录能从下午翻到晚上。后面我直接用大模型把群聊记录批量处理一分钟内就能输出一份结构化的精华摘要主题、结论、待办、遗留问题全拆清楚。这篇就把这套方法完整讲一遍从数据导出、清洗切分、模型选型到提示词模板照着重现就能用。1. 从爬楼到摘要先理清楚这件事到底在解决什么问题1.1 群聊记录的三个痛点量大、杂乱、时效性差微信群聊记录最大的问题不是多而是没有结构。拿一个常见的项目协作群举例一天下来可能有300到800条消息里面混杂着项目进展、临时讨论、文件转发、表情包、小程序卡片还有大量收到1这类纯水消息。人眼去筛确实能筛出来重点但非常耗精力尤其是当你晚上回家才打开群聊面对几百条未读基本没有耐心逐条看完只能挑最近的一段扫一眼。第二个痛点是信息转瞬即逝。群聊是强时间流早上10点讨论的重要决策到下午3点就被其他话题冲走了。微信自带的搜索只能按关键词匹配搜方案会出来几十条上下文完全不同的结果你根本分不清哪一条才是最终决定。换句话说信息其实一直都在但取不出来。第三个痛点是上下文断裂。群里讨论一个话题往往是断断续续的有人上午问A问题下午才有人回复中间穿插了大量无关内容。人工整理需要把这些碎片重新拼起来而拼这个动作本身就极其费时。这也是为什么社群运营、课程助教、项目经理普遍都在找自动整理聊天记录的方案。1.2 AI摘要能搞定的四类典型场景我做了这么久的沉淀和测试发现AI摘要不是所有群都适合但在以下几类场景里效果特别好基本是刚需第一个是项目协作群。这类群每天聊的全是进度、问题、分工需要定期产出一份会议纪要式的摘要方便没来得及看消息的同事快速同步。AI摘要可以自动把谁负责什么、下一步做什么、卡在哪个环节抽出来效率比人工高一个量级。第二个是社群运营/用户群。运营人员需要了解用户最近在反馈什么问题、对什么功能呼声最高。群聊摘要能够自动聚合高频问题和情绪倾向省去一条条翻聊天记录的时间还能及时发现危机苗头。第三个是读书会/课程群/学习小组。这类群以观点讨论为主干货都藏在长段落里。AI摘要可以把大家的核心观点、推荐书目、论证逻辑提炼出来相当于把群聊变成一个可沉淀的知识库。第四个是家庭群/朋友群可选。虽然没那么功利但逢年过节或者组织聚会时AI摘要能把谁几点到、带什么菜、在哪集合这类信息收敛成一份简单的行动清单也挺好用。1.3 为什么是AI来做而不是人肉整理很多人会问找个实习生花半小时也能整理为什么要用AI我的看法是重复性的信息处理工作AI的性价比远高于人。人肉整理的瓶颈不只是时间还有注意力衰减。整理到200条时你还能保持专注到800条时已经很难保证不漏掉关键信息了而模型在整个处理过程中始终保持同样的注意力水平。另外群聊摘要本质上是信息压缩。压缩这件事恰恰是大语言模型的强项——它擅长从长文本里识别主题、抽取结论、归纳行动项。你把几百条聊天记录塞进去它可以按你的指令输出固定格式的结果这是传统正则匹配、关键词统计根本做不到的也是纯人工操作无法企及的效率。2. 方案选型先别急着写代码想清楚用API还是本地模型2.1 两条路线的核心差异我第一次做群聊摘要的时候纠结了很久是直接调用云端大模型API还是在自己电脑上部署一个开源模型。两条路各有优劣简单做个对比对比维度云端APIDeepSeek/通义/豆包/Kimi等本地部署OllamaQwen/Llama等上手难度低注册账号拿Key就行中高要装环境、下模型、调参数硬件要求几乎无有网就行至少16GB内存模型越大显存要求越高成本按Token计费日常使用几毛钱到几块钱一次部署后基本免费但电费和时间成本要算隐私安全数据会发送到第三方服务器数据完全本地适合敏感内容效果上限模型大、能力强长文本理解更好取决于本地模型规模小模型效果会弱一些极限上下文部分模型支持128K甚至1M能吞下超长记录取决于部署配置通常32K以内2.2 新手首选云端API加国内大模型给大多数人的建议很简单——直接用云端API。原因有三个一是效果稳定像DeepSeek-V3系列、通义千问系列这些模型的中文理解能力已经非常强尤其在中文群聊这种口语化、碎片化的场景里理解准确率比本地小模型高不少二是不需要折腾显卡和推理环境注册个开发者账号、拿一个Key就能开始跑三是成本极低处理一次几千条消息的群聊记录费用通常在几分钱到几毛钱之间比买杯奶茶便宜多了。国内主流厂商的API基本都兼容OpenAI的调用格式这意味着你只要会一套接口换厂商时就改一下base_url和api_key代码几乎不用动。这也是我推荐的方式——先把流程跑通后面如果对效果或隐私有更高要求再切换到本地方案也不迟。2.3 追求隐私或长期高频使用本地部署更划算如果你的聊天记录涉及商业机密、用户隐私或者你每天都要处理几十个群、消息量极其庞大云端API的累积成本和数据外流风险就变得不可忽视了。这时候可以考虑本地部署。本地部署我比较推荐Ollama原因无它省心。安装完以后一条命令就能拉模型比如ollama run qwen2.5:14b然后它会自动启动一个OpenAI兼容接口你的处理脚本几乎不用改只要把base_url指向http://localhost:11434/v1就行。14B左右的量化模型在我的测试里摘要效果虽然比云端大模型略差一些但胜在免费、私密、不限速。如果你的电脑配置不高可以选7B甚至3B的模型先试但说句实话3B模型做摘要会明显感觉抓不住重点容易出现漏信息的情况。我实测下来做中文群聊摘要的底线是至少14B参数否则宁可花钱用云端API。2.4 我推荐的组合方案我现在常用的组合是云端API为主本地模型兜底。日常处理普通社群群的摘要直接跑DeepSeek的API便宜、稳定、效果在线遇到客户项目里涉及隐私的数据就切到本地Ollama用同样的脚本只改两行配置。这个组合既控制了成本也保住了隐私底线。3. 前置准备微信聊天记录导出与文本清洗3.1 怎么把群聊记录弄成AI能读的文本AI读不了微信群聊的加密数据库第一步永远是导出。这里我分两种常见情况说第一种直接在PC微信里手动复制。适合消息量不大的场景。在电脑版微信打开目标群聊用鼠标从第一条消息拉到要截止的位置右键选择复制然后粘贴到一个新建的txt文件里保存为UTF-8编码。注意别选成合并转发那种格式后期解析很麻烦。第二种借助备份和第三方工具导出完整记录。如果你要处理上千条甚至几千条消息手动复制就不现实了。目前GitHub上有不少开源项目能做这件事原理基本都是解析微信PC端的本地数据库或手机备份文件。选工具时我建议看两个指标star数量够不够高、最近更新时间是否在半年内。下载后跟着README操作一般能导出一个包含时间、发送人、内容的文本或HTML文件这就是你后续处理的原料。无论用哪种方式导出的文本尽量包含时间、昵称、消息正文三段信息。后面做清洗和结构化很重要。3.2 清洗把脏数据剔掉模型才不容易被带偏群聊记录里噪音极多。如果什么都不处理直接喂给大模型摘要里就会混进大量收到哈哈哈图片这类无意义内容既浪费Token又稀释重点。我的清洗经验分四步第一步去掉系统消息。形如你已添加了XX现在可以开始聊天了XX拍了拍我群主已将XX移出群聊这类内容用正则直接删掉。第二步去掉纯噪音消息。比如只有一个表情、一个嗯、一个收到的短消息。判断逻辑很简单去掉空白后长度小于3个字符且不包含中文的直接丢弃。但要注意像好的没问题这种5个字的还是要保留它可能代表确认某个决策。第三步统一格式。把每条有效消息整理成[序号] 发送人时间内容的结构。统一格式后模型对谁是发言者什么时候说的一目了然输出的摘要不会张冠李戴。第四步合并连续相同的消息。群里经常有人连续发好几条短消息表达一个意思比如明天下午开会改成3点地点在老地方这三条单独看是碎片合并后才是完整信息。可以在预处理阶段把同一发言人相邻时间内的短消息拼成一条。我用一套Python脚本就能完成上述全部清洗。这里贴一个核心的正则示例给你做参考import re def clean_msg(raw_text: str) - list[str]: lines raw_text.splitlines() cleaned [] for line in lines: # 去掉时间戳 line re.sub(r\d{1,2}:\d{2}, , line) # 去掉系统消息 if 拍了拍 in line or 移出了群聊 in line or 添加了 in line: continue # 去掉太短的废话 text line.strip() if len(text) 3: continue cleaned.append(text) return cleaned3.3 Token估算与分段策略为什么不能一股脑全塞进去清洗完的聊天记录仍然可能很长。一个大模型通常有上下文窗口限制比如32K或者128K但即便支持128K你把全部记录一次性塞进去也容易因为中间部分注意力衰减而漏掉关键信息。我的经验是分段处理逐章摘要最后合并。以800条消息为例先按200条一段切分成4段每段单独生成一个片段摘要再用一次调用把4个片段摘要合并成最终总摘要。这种方式叫Map-Reduce摘要法是处理超长文本最常用也最稳妥的做法。分段前最好估算一下Token避免单段超限。中文和Token的换算经验是大约1.5到2个汉字对应1个Token。稳妥起见可以用len(text) / 1.7估算。如果单段文本估算下来超过8000 Token就把段长再调小一点。实际测试中单段控制在3000到5000 Token时摘要质量和细节保留程度最均衡。4. 核心实现Python脚本调用大模型自动生成摘要4.1 环境准备与依赖安装整个实现只需要一个Python环境加上openai这个包即可。如果你用的是DeepSeek这类兼容OpenAI接口的服务一样可以用这个包只是把base_url改一下。pip install openai另外建议安装一个python-dotenv来管理API Key避免把密钥硬编码在脚本里pip install python-dotenv然后在项目目录下创建.env文件API_KEYsk-你的密钥 BASE_URLhttps://api.deepseek.com/v1 SUMMARY_MODELdeepseek-chat4.2 完整代码实现下面这段代码是我在多个项目里反复用过的版本逻辑不复杂核心就是三段式读取清洗后的文本、切片、逐段摘要并合并。import os import re from openai import OpenAI from dotenv import load_dotenv load_dotenv() client OpenAI( api_keyos.getenv(API_KEY), base_urlos.getenv(BASE_URL) ) SUMMARY_MODEL os.getenv(SUMMARY_MODEL) SYSTEM_PROMPT 你是一个专业的微信群聊记录整理助手。 请根据给定的聊天记录片段输出结构化摘要包含 1. 讨论主题 2. 关键结论 3. 待办事项/行动项 4. 遗留问题 5. 重要信息或金句 要求忠实于原文不要编造内容不要保留无关闲聊。 def split_text(text: str, max_chars: int 4000): lines text.splitlines() chunks, current [], [] current_len 0 for line in lines: line_len len(line) if current_len line_len max_chars and current: chunks.append(\n.join(current)) current, current_len [], 0 current.append(line) current_len line_len 1 if current: chunks.append(\n.join(current)) return chunks def summarize_chunk(chunk: str) - str: resp client.chat.completions.create( modelSUMMARY_MODEL, messages[ {role: system, content: SYSTEM_PROMPT}, {role: user, content: f以下是一段微信群聊记录请生成摘要\n\n{chunk}} ], temperature0.3, max_tokens1024 ) return resp.choices[0].message.content def merge_summaries(summaries: list[str]) - str: merged_text \n\n.join( f【片段{i1}摘要】\n{s} for i, s in enumerate(summaries) ) resp client.chat.completions.create( modelSUMMARY_MODEL, messages[ {role: system, content: 你是一个摘要合并助手。把多个片段摘要合并成一份完整、去重、结构清晰的群聊精华总结。注意不要丢失任何待办事项和关键结论。输出使用Markdown列表。}, {role: user, content: merged_text} ], temperature0.3, max_tokens2048 ) return resp.choices[0].message.content def main(): with open(records.txt, r, encodingutf-8) as f: raw_text f.read() # 这里接第3节的清洗逻辑省略清洗函数直接假设已清洗 chunks split_text(raw_text, max_chars4000) print(f共切分为 {len(chunks)} 段) summaries [] for idx, chunk in enumerate(chunks, 1): print(f正在处理第 {idx}/{len(chunks)} 段 ...) summaries.append(summarize_chunk(chunk)) final_summary merge_summaries(summaries) with open(summary.md, w, encodingutf-8) as f: f.write(final_summary) print(已生成摘要文件 summary.md) if __name__ __main__: main()这套脚本跑下来的效果在我处理800条消息的群聊记录时从启动到生成完毕大概40秒到1分钟核心耗时主要在大模型接口的响应上。如果你用并发请求优化一下还能更快但对个人使用完全没必要。4.3 关键参数怎么调temperature、max_tokens、top_p大模型接口有3个参数对摘要效果影响很大新手经常忽略我单独拿出来说说。temperature控制随机性。摘要任务本质上是一个信息压缩任务不是创意写作所以要把temperature调低。我固定在0.2到0.3之间太高了模型容易自由发挥编造原文没有的内容。max_tokens控制输出长度。片段摘要给1024够用合并摘要给2048如果群聊信息量特别大、待办事项特别多可以加大到4096。设得太小摘要会被截断。top_p和temperature作用类似一般保持默认0.9即可不需要和temperature同时大幅调整。我的习惯是固定temperature在较低值top_p不动这样结果更稳定。还有一个容易被忽略的参数是timeout如果你要处理的文本很长模型响应时间可能超过默认值。可以在创建OpenAI客户端时加上timeout120避免中途报超时。5. 提示词才是灵魂群聊摘要专用模板5.1 一份能直接抄的提示词模板很多人在这一步栽跟头——代码写好了数据也清洗好了但模型输出出来的摘要说了跟没说一样。问题基本都出在提示词上。我给一份自己打磨了很多版的通用模板你可以直接复制去用你是专业的群聊记录整理助手。下面是一段微信群聊记录每条消息按昵称内容格式给出。 请按以下结构输出摘要严格使用中文 ## 本期讨论主题 列出本段聊天涉及的主要话题尽量概括成短语最多5个。 ## 关键结论 列出群聊中达成的明确结论或决策如果没有就写无。 要保留是谁提出的、最终怎么定的。 ## 待办事项 提取所有行动项格式为- [ ] 任务描述负责人。 如果某条消息明显是承诺去做某事比如我明天发你我来改方案都要提取出来。 ## 遗留问题 列出讨论过但没有结论的问题。 ## 重要信息 包括链接、项目代号、会议时间、文件名称等关键信息。 要求 1. 忠实原文禁止编造。 2. 忽略纯寒暄、表情包、无意义消息。 3. 每条输出内容都要对得上原文不要出现原文中没有的名字。这个模板的关键在于给了模型明确的输出框架和约束。你如果不指定结构模型就会自由发挥出来的摘要形态五花八门很难直接用于复盘同步。5.2 进阶玩法行动项识别、发言人角色、争议点追踪基础摘要跑通之后你可以根据场景往提示词里继续加需求。我常用的进阶玩法有三个行动项识别。群聊里最容易被遗漏的就是谁答应做什么。普通摘要只会说讨论了某个问题不会精准提取张三承诺周五前出初稿。所以我在模板里专门加了一条要求用任务列表格式输出待办提取所有承诺类消息。效果提升非常明显运营同事看了都夸。发言人角色分析。社群运营场景下我想知道群里哪些人是意见领袖、哪些人只潜水、哪些人在持续输出有价值观点。可以在摘要里加一个段落让模型按发言频次和内容价值做简单画像比如李四发言最多主要提供解决方案王五发言少但提出的质疑推动了决策。这个功能对社群精细化运营特别有用。争议点追踪。项目群里经常有意见不统一的时候单纯看摘要看不出分歧在哪。增加一个争议点板块让模型把A观点 vs B观点提炼出来标注冲突双方和论据。这样做项目复盘的时候能少掉很多沟通成本。靠着这几个扩展我后来把一套脚本同时输出普通摘要和运营分析摘要一个给项目成员看一个给运营负责人看两边需求都满足了。5.3 输出格式约定让摘要可以直接当文档用除了提示词输出格式也要提前设计。我建议用Markdown因为任何团队协作软件都直接支持渲染。具体格式就是上面模板里的那种二级标题分节、列表整理待办、加粗关键人名或项目代号。另外我强烈建议在提示词里加一句如果某个章节无内容明确写无不要跳过该章节。这样输出永远是五段式的稳定格式后续如果想要程序化处理也非常方便不会因为某次输出少了某个章节就导致解析失败。6. 常见问题与排查技巧实录6.1 Token超限报错怎么办跑脚本最常见的报错是context_length_exceeded。发生这种情况无非两个原因单段文本太长或者模型上下文窗口太小。排查方式很简单先看报错信息里提到的Token数然后用len(text) / 1.7估算一下你当前段落的Token量。如果确实超了把split_text里的max_chars调小我实测从4000调到2500基本能解决99%的问题。如果调了还报错看模型本身是不是选错了——有些模型默认的小窗口版本只支持8K你要换成大窗口模型或加大上下文设置。6.2 模型漏掉关键信息怎么办很多人第一次用AI摘要都会有这个疑虑机器会不会漏掉某个重要决策我的经验分两步。先在最终摘要里增加一个重要信息板块专门放链接、时间、人名等硬信息大幅降低漏信息的概率。其次如果你实在不放心可以在切分时让相邻片段重叠一部分消息比如切成每段200条但每段从头往前多带50条上下文。这样即使一条关键消息正好落在分段的边界上也不会被模型忽略。重叠切分会让API调用量多一点但也就多出几分钱相比信息遗漏的代价这点成本完全可以接受。6.3 导出的聊天记录乱码或格式错乱群聊记录导出后出现乱码90%是因为编码问题。你用PC微信复制的文本默认可能是GBK而Python读取时用UTF-8打开就乱码了。解决方案就是读取时指定正确编码with open(records.txt, r, encodingutf-8-sig) as f: raw_text f.read()如果还是乱码就打开文本编辑器看一下实际编码Windows记事本另存为UTF-8也可以。另外从第三方工具导出的HTML或JSON建议先转成纯文本再交给脚本处理否则各种标签会把模型搞晕。6.4 摘要效果不稳定有时好有时差大模型确实有随机性同一个输入temperature调低以后基本稳定但偶尔也会飘。我踩过几次坑后发现影响效果稳定的最大因素其实是清洗做没做干净。你把一堆拍一拍图片小程序卡片的残留信息喂进去模型要花精力识别这些噪音自然会削弱对真正有效信息的注意。所以我的建议是先别急着调模型回头再看清洗环节。把所有非文本内容过滤干净把每条消息压缩成昵称内容这种极简格式摘要效果立刻上一个台阶。这也是我反复强调清洗比模型更重要的原因。6.5 不想写代码的轻量替代方案这套方案对不太懂技术的朋友确实有点门槛。如果你只是想快速整理一个群聊不想碰代码我推荐直接用支持长文本的AI对话产品比如通义千问、Kimi、豆包等在网页端直接上传或粘贴聊天记录然后把你需要的摘要要求复制进去。操作上注意一点由于网页输入框有长度限制太长的记录需要分批粘贴然后让AI先各自总结最后让它再把结果合起来。虽然不如脚本方便但胜在零门槛处理几百条消息也能在几分钟内完成。这个方法很适合偶尔才需要整理群聊的普通用户。7. 从摘要到沉淀这套流程可以怎么继续扩展7.1 定时自动摘要清晨自动汇总昨日群聊精华脚本跑通之后你就可以考虑把它变成自动任务。以我的场景为例每天运维着好几个社群不可能每天手动跑一次。后来我在服务器上配置了cron定时任务每天早上8点自动处理前一天的群聊记录生成摘要并推送到团队的通知群。实现思路不复杂第一步定时任务触发前用导出工具把前一天新增的记录追加到records.txt第二步运行摘要脚本第三步通过机器人Webhook把生成的summary.md推送到目标群或飞书/钉钉文档。整个过程无需人工干预。只要你的导出步骤能自动化这个方案就能落地。7.2 多群对比与趋势分析不止摘录还能挖掘洞见如果你同时管多个群摘要只是第一步。更高级的做法是每周把所有群的摘要合并再让大模型做一次二次分析看看用户普遍关心什么问题、哪个话题讨论热度上升、哪个功能被频繁吐槽。这种摘要的摘要能为运营决策提供数据支撑相当于给自己配了一个无休无眠的信息分析师。我目前就在用这套方法复盘一个垂直社群的每周讨论热点相比以前靠感觉判断用户最近关心什么现在有了一份可追溯、可对比的记录复盘报告的产出质量明显提升。7.3 知识库沉淀把群聊变成可检索的团队资产群聊记录散落在各人手机里几乎等于没有。我的最终目标是搭建一个团队知识库入口群聊记录清洗后连同AI摘要一起存入向量数据库配合一个简单的检索问答后端。这样后续任何成员都可以用自然语言提问上周讨论过XX方案吗结论是什么系统直接从向量库里检索相关片段并调用大模型生成答案。这个扩展有一定工程量但每一步都是前面方案的延伸前期做的清洗和摘要脚本都可以复用。即使你现在不做也可以在设计清洗逻辑时留出字段比如按日期、按话题打标签为将来做数据库结构预留空间。磨刀不误砍柴工。回到最初的问题群聊爬楼这件事真的可以交给AI做。我个人的实际操作体会是方案的难点从来不在调用大模型本身而在数据清洗和提示词设计这两块做好了1分钟出摘要完全不是夸张的说法。最后再分享一个小技巧——每次跑完摘要随手把清洗后的文本存档你会发现这些历史记录越积越多到后面做任何回顾分析都有素材可用这笔数据资产比摘要本身更值钱。