Les méthodes conventionnelles de résumé de dialogue génèrent directement des résumés sans prendre en compte les intérêts spécifiques de l'utilisateur. Cela pose des défis dans les cas où les utilisateurs se concentrent davantage sur des sujets ou des aspects particuliers. Avec l'avancement des modèles linguistiques affinés par instructions, nous introduisons l'ajustement par instructions aux dialogues pour élargir la gamme de capacités des modèles de résumé de dialogue. Pour surmonter la pénurie de données instructives pour le résumé de dialogue, nous proposons une approche en trois étapes pour synthétiser des triplets de résumé basés sur des requêtes de haute qualité. Ce processus comprend la génération de requêtes ancrées dans le résumé, le filtrage des requêtes et la génération de résumés basés sur les requêtes. En formant un modèle unifié appelé InstructDS (Instructive Dialogue Summarization) sur trois jeux de données de résumé avec des triplets instructifs polyvalents, nous élargissons les capacités des modèles de résumé de dialogue. Nous évaluons notre méthode sur quatre jeux de données, y compris le résumé de dialogue et la compréhension à partir du dialogue. Les résultats expérimentaux montrent que notre approche surpasses les modèles d'état de l'art, voire ceux dotés d'une plus grande capacité. De plus, notre modèle fait preuve d'une meilleure généralisation et fidélité, comme en attestent les évaluations subjectives humaines.