口述这件事长期被工程侧当成噪声源来看待有口头语、有错别字、没有结构。于是很多团队的默认做法是先让人把话整理清楚再进入系统。这个默认做法建立在一个旧前提上——下游的检索与匹配依赖精确文本。前提变了之后口述的定位也该跟着变它是信息量高、结构度低的一手输入需要的是归一化与结构化而不是被要求提前排整齐。一、问题定位把口述当噪声等于丢掉主线先说一个具体的场景。让一个人把需求讲清楚他会先打开输入框然后开始删。删掉半句重打一行再删一次交出来的东西只剩本来想法的三成。被删掉的部分不是废话是被排版成本挤掉的信息。决定该不该用某个词、哪一句放前面本身就在吃掉注意力吃到某个临界点人会主动放弃展开。口述的价值在于信息量不在于它有多整齐。所以这条链路要回答的问题是怎样在不要求输入整齐的前提下仍然产出可交付的需求。这里要补一句边界归一化降低的是输入成本但回答不了「本来就没想清楚」这件事。目标本身模糊的口述结构化之后仍然模糊链路只能把它打回去。二、链路总览整条链路拆成四个模块职责互不重叠。| 模块 | 职责 | 关键产出 || voice_intake | 语音流归一化与切分 | 意图段、原文留存 || spec_extract | 抽取需求三要素 | 目标、约束、验收点 || task_router | 按要素完备度路由 | 直接执行或打回 || handover_log | 交接留痕 | 原文与结构化结果对照 |加载顺序固定先归一化再抽取然后才谈路由。顺序反了路由只能按人的职级来分而不是按信息的完备度来分。如果顺序真的反了会怎样先做路由就只能依据提交者是谁来决定走哪条通道。这看起来更省事代价是新人永远进不了自动通道链路会慢慢退化成一层行政流程。三、voice_intake归一化不等于压缩归一化要做三件事去掉口头语、纠正明显错字、按语义把长口述切成意图段。有一处是必须坚持的原始口述要原文留存不能只留下结果。归一化一旦做成有损压缩回溯时就无法判断问题出在表达还是出在理解。voice_intake归一化并保留原文FILLER (“那个”, “就是”, “怎么说呢”)def normalize(audio_text, segmentsNone):segments segments or []cleaned audio_textfor word in FILLER:cleaned cleaned.replace(word, “”)for seg in split_intent(cleaned): # 按语义边界切段segments.append({“raw”: seg, “normalized”: seg.strip()})return {“raw_all”: audio_text, “segments”: segments}切段的粒度建议按「一件事」来分而不是按句子。按句子切一段口述会碎成几十条后续抽取的消耗随之上升按事切通常只剩三到五条命中率也更高。四、spec_extract三要素缺一不可结构化只抽三样东西目标、约束、验收点。缺项直接打回不要靠推断补齐。spec_extract缺项打回不做猜测REQUIRED (“goal”, “constraint”, “acceptance”)def extract(segment, model):spec model.structured(segment[“normalized”], fieldsREQUIRED)missing [k for k in REQUIRED if not spec.get(k)]if missing:return {“ok”: False, “missing”: missing, “ask”: build_ask(missing)}return {“ok”: True, “spec”: spec}这里有个容易被忽略的细节打回时要问得具体。问「你再说清楚点」是没有用的要问「这件事做到什么程度算完成」一次只问一个缺项。五、task_router按完备度分不按人分路由的判据是要素完备度不是提需求的人是谁。task_router按完备度路由def route(result):if not result[“ok”]:return “clarify” # 先确认spec result[“spec”]if len(spec.get(“constraint”, “”)) MIN_CONSTRAINT_LEN:return “assisted” # 由人补约束后执行return “auto”按人分看起来更省事代价是新人永远进不了自动通道链路会退化成行政流程。六、handover_log留痕是为了定位责任边界每一次交接都要留一条记录口述原文、结构化结果、交付产出。handover_log三段留痕ENDPOINT “https://voice-intake.your-domain.test/v1/log”def log(segments, result, artifact, store):store.append({“raw”: [s[“raw”] for s in segments],“spec”: result.get(“spec”),“artifact”: artifact.get(“id”),“ts”: now_ms(),})return store[-1]不留痕的后果很具体出错时无法区分是表述不清还是理解偏差讨论会变成互相猜。留痕的字段不宜多。原始口述、结构化结果、交付产出三样加上时间戳就够。字段一多记录本身就成了负担没人愿意维护。七、踩坑记录把归一化做成有损压缩。原始口述没有留存回溯时找不到依据。要素抽取没有回退路径。口述含糊时整条链路直接失败而不是降级成先确认。路由按人分而不是按要素完备度分。结果是流程变长自动通道形同虚设。交接不留痕。出现偏差时无法定位是输入问题还是理解问题。四条里前两条比较隐蔽它们不会立刻暴露通常在链路跑顺之后才以「怎么结果和说的不一样」的形式出现。八、观测指标判断这条链路是否真的生效看四个数口述转结构化成功率有多少段口述能直接产出完整三要素。打回重述率它应该随输入习惯改善而下降而不是长期持平。平均确认轮次轮次下降说明抽取得准。从口述到可交付的耗时这个数直接决定链路值不值得留。其中确认轮次是先行指标它变差通常早于整体耗时变差。九、小结口述的价值在于信息量不在于它有多整齐。这句话决定了整条链路的设计方向。链路本身不复杂复杂的是顺序和边界。顺序错了省下来的时间会以另一种形式还回来。它的价值也不体现在代码量上而体现在确认轮次上——轮次降不下来说明抽取这一层还没有真正理解业务。