长文档别只让AI总结:改问这3个问题

邹火火的AI日志

拿到一份一百页的报告、合同或招标文件，很多人给AI的第一句话是：“帮我总结一下。”

几秒钟后，一份结构清楚的摘要出现了。它很适合让你快速知道文件大概在说什么，却不一定适合支持决策。

原因很简单：总结天然会压缩细节。文档越长，模型越需要选择什么保留、什么舍弃。真正影响你的内容，可能只是中间某一页的例外条款、脚注或限制条件。

长上下文也不等于每个位置都同样容易被准确取出。“Lost in the Middle”研究发现，当关键信息位于长上下文中部时，模型表现可能下降。Google的长上下文文档同样提醒，多条分散信息的检索比寻找单一信息更难，不必要的上下文还会增加成本和延迟。

所以，长文档当然可以先总结，但不要停在总结。接下来改问这三个问题。

第一个问题：这份文档的结论、依据和限制分别是什么

普通摘要常把结论写得很清楚，却把适用条件一起压缩掉。

更好的问法是把内容拆成三栏：作者得出了什么结论；用哪些数据、条款或案例支持；这个结论在哪些条件下不成立。

例如，一份行业报告说某市场增长很快。你还需要知道它采用哪一年的数据，统计范围是否只覆盖头部企业，预测基于哪些假设。没有这些信息，“增长很快”只是一句方便传播的话。

可以这样问：

这一步把“它说了什么”变成“它凭什么这样说”。

第二个问题：支持这件事的原文在哪里

当你已经有一个具体目标，不要再让AI泛泛总结整份文档，而要做定向定位。

比如：“合同中哪些条款会导致自动续约？”“招标文件对交付时间和违约责任怎么规定？”“报告中支持进入华南市场的证据有哪些？”

要求AI返回原文片段、章节标题和页码，并说明这段文字为什么相关。没有页码的电子文档，也要返回小节标题和可搜索的关键词。

Anthropic在长上下文提示建议中提出，可以先让模型提取与问题相关的原文，再根据引用作答。这个顺序很重要：先找证据，再下结论，比先得出答案、再补一个像证据的句子更可靠。

可直接使用的提示词是：

第三个问题：两处内容有什么冲突或变化

长文档最有价值的用法之一，不是摘要，而是比较。

比较同一份文件里的正文与附件，找出责任、金额和时间是否一致；比较合同新旧版本，找出新增、删除和措辞变化；比较两家供应商方案，按相同字段整理差异。

问法要具体，不要只说“对比一下”。先规定比较维度，例如价格、交期、验收、违约、数据归属和终止条件，再要求每个差异附上双方原文位置。

例如：

这样得到的不是一篇泛泛的“相同点与不同点”，而是一张可以逐项复核的差异表。

长文档提问还要遵守三个小规则

第一，把文件放在前面，把具体问题放在最后。Google的提示策略建议在长上下文之后提出清晰问题，并用“根据以上信息”这样的语句锚定任务。

第二，一次只解决一个明确决策。把合同风险、市场判断、财务测算和写汇报全塞进一个问题，会让答案重新变成宽泛摘要。

第三，重要结论必须回到原文。AI返回的页码、引文和数字仍然可能出错，最终引用前要亲自打开对应页面核对。合同、医疗、财务和合规材料尤其不能把AI答案当成专业意见。

总结解决的是“我没时间读完”，定位解决的是“证据到底在哪”，对比解决的是“变化会影响什么”。

前者帮你进入文档，后两者才开始帮你使用文档。

下一次面对长报告，不要只问“请总结”。先让AI拆出结论、依据和限制，再定位原文，最后比较冲突与变化。文档变长并不可怕，可怕的是答案看起来很短，却没有任何地方可以核对。

资料来源：

• Liu等《Lost in the Middle: How Language Models Use Long Contexts》：研究长上下文中关键信息位置对模型表现的影响：arXiv论文

• Google AI for Developers长上下文指南：关于多信息检索、上下文长度、成本与提示位置的说明：Long context

• Google提示策略：关于长上下文顺序和在末尾提出具体问题的建议：Prompt design strategies

• Anthropic长上下文提示建议：先提取相关原文，再基于引用完成任务：Prompting for long context

— END —