Neuronale Netzwerkmodelle, die auf dem Aufmerksamkeits-Encoder-Decoder-Modell basieren, weisen eine hohe Leistungsfähigkeit bei der abstraktiven Textzusammenfassung auf. Allerdings sind diese Modelle im Generierungsprozess schwer zu steuern, was zu einem Verlust relevanter Informationen führen kann. Wir schlagen ein leitendes Generierungsmodell vor, das die extraktive und die abstraktive Methode kombiniert. Zunächst extrahieren wir Schlüsselwörter aus dem Text mittels eines extraktiven Modells. Anschließend führen wir ein Key Information Guide Network (KIGN) ein, das die Schlüsselwörter in eine repräsentative Darstellung der Schlüsselinformationen kodiert, um den Generierungsprozess zu leiten. Zusätzlich verwenden wir eine Vorhersage-leitende Mechanik, die den langfristigen Wert für die zukünftige Dekodierung ermitteln kann, um die Zusammenfassungsgenerierung weiter zu optimieren. Wir evaluieren unser Modell anhand des CNN/Daily Mail-Datensatzes. Die experimentellen Ergebnisse zeigen, dass unser Modell signifikante Verbesserungen erzielt.