ARTICLE · 1050000
80 页 PDF 直接丢给 AI,问三个错两个——改成一页一问之后,全对了
上个月我拿到一份 80 多页的行业报告，要从中找三个数据。
我想都没想，整份丢给 AI，问了三个问题。
三个里错了两个。 其中一个数字是它自己算出来的，另一个张冠李戴，把 B 公司的数据安到了 A 公司头上。最要命的是，两个答案都写得特别笃定，读起来完全不像有问题。
后来我换了个喂法：让它一页一页地读、一次只问一件事。同样三个问题，全对。
差别不在模型，也不在工具——在于你让它一次处理多少东西。
整份丢进去，它其实读不全
先说清楚一件事：现在多数工具的"长文本"能力宣传得挺猛，动不动就是几十万字。但能装进去和能读明白，完全是两回事。
实际用起来有个很明显的现象：文档越长，它对中间部分的把握越差。
开头和结尾的内容，它答得通常挺准；中间那几十页，它倾向于"抓个大概意思就往下走"。你要是问的东西恰好藏在中间，它多半会给你一个"合情合理但不对"的答案。
更要命的是这个：它不会因为没读清而说"我不确定"。
它的工作方式是生成"最像答案的话"，不是查找。所以面对一份它没真正消化完的长文档，它会非常流畅地编出一个读起来毫无破绽的回答——包括具体的数字、具体的公司名、具体的年份。
这不是bug，是它的底层逻辑。你把整份丢进去，等于把三个问题押在这种逻辑上。
我后来改的四步
第一步：先让它给文档画个骨架。
什么都别问，就一句：
先把这份文档的结构列出来：分几个部分，每部分讲什么，大概在哪个位置。
这一步只要一分钟，但价值最大。拿到骨架之后，你才知道你要的东西在哪一块，后面就不用让它全文翻找了。
第二步：把范围说死。
以前我问的是"这份报告里关于市场规模的数据是多少"。后来改成：
只看第三部分（大概在第 30-45 页），找出里面提到的市场规模数字，注明出现在哪一段。
差别在于给了它一个明确的搜索范围。范围越窄，它越不容易跑到别的地方去拼凑。
说范围的措辞也有讲究：有页码就用页码，没有页码就用"第几部分"或者"讲 XX 的那一节"。别用"前面一点""后半部分"这类模糊的说法——它对位置的感知跟你的想象经常对不上，你说"前面"，它可能理解成前十页。
第三步：一次只问一件事。
这是我最想强调的一条。
我以前的做法是三个问题一起丢过去，觉得省事。后来发现：一起问，它会把三个问题的答案互相污染。 第一个问题里的某个词，会跑到第二个答案里去。
分开问，一个一个来，慢不了多少，但准确率完全不一样。
第四步：让它交出原文。
每次都补一句：
把你依据的原文贴出来，并说明它在文档的哪一部分。
这一句是我的保险绳。它能贴出来，说明它真的读到了；它开始转述、复述、绕圈子，多半就是在编。
而且贴出来的原文我能自己去核——核对一段话，比核对一个结论容易太多了。
那些"看起来很方便"的功能要小心
现在不少工具都有一键"总结这份文档""提取全文要点"的功能。
我现在的态度是：能用，但别拿它的输出直接当结论。
这类功能为了在有限篇幅里概括几十页，必然要做大量取舍。它挑出来的"要点"，是它认为重要的，不一定是你要的。更麻烦的是，概括的过程本身就会产生信息损耗——原文里的限定条件、例外情况、数据来源，往往在总结里就被抹掉了。
所以我的用法是：用总结来找位置，不用总结来下结论。
看一眼总结，发现"哦，我要的东西在第四部分"，然后回到原文去读那一部分，或者按上面的步骤让 AI 只读那一部分。
一句话：总结是目录，不是答案。
一条能记住的原则
这一年多用下来，我对"让 AI 读东西"这件事，最后就留下一条：
AI 擅长的是小范围深挖，不是大范围扫荡。
你给它一页纸、一个段落、一个明确的问题，它的表现好得惊人——归纳、提炼、改写、找逻辑漏洞，都比人快得多。
你给它 80 页、一个模糊的问题，它的表现会掉到"看着很专业但不敢用"。
所以别省那一步拆分的功夫。 拆得越细，它越准。这个规律我在读报告、读合同、读长邮件串、读会议记录上都验证过，没有例外。
顺带一提：如果文档里有表格、图表，那部分别指望它读对。表格里的数据行列关系，AI 处理起来出错率明显高于纯文字。涉及表格的，自己看一眼最稳。
下次你可以直接这么问
拿到一份长文档，按顺序来：
先列出这份文档的结构和主要部分，说明各部分大概位置。 我只关心第 X 部分，把这部分的核心内容提炼出来。 在这部分里找出「具体要找的东西」，并贴出依据的原文。 这条信息在原文的限定条件是什么？有没有例外情况？
第 4 条是我后来加的。有一次它给的数字是对的，但那个数字在原文里带着"仅统计了一线城市"的限定——它没说，我差点拿去做了全国口径的汇报。
要把限定条件也问出来。 数字错了容易发现，限定条件丢了，是最难察觉的那种错。
你现在让 AI 读长文档，会先让它列结构吗？还是直接丢进去问？