夜雨聆风你把5份行业报告丢给 AI，10秒后它输出给你一份干净利落的总结。
但你没有发现：5份报告里，3份说市场规模500亿，2份说800亿，结果 AI 的总结里只写了500亿。
还有更隐蔽的。比如5份报告里有1份特别短，就两页纸，里面藏着别处都没提到的关键数据。但总结里一个字都没出现。
"多文档摘要"这个概念，刚接触时确实让人头大。你以为它就是"总结5次再拼一起"，其实 AI 内部干的事远比这复杂。
今天我希望能把这个黑箱拆开，看看里面到底是什么构造。
先搞清楚：AI到底在干什么
你可能会觉得，合并5份文档，就是让 AI 分别总结每一份，然后拼在一起。
不。
这么干的话你只会得到一个缝合怪——5段各自独立的总结，说的是同一件事但措辞不同，有些地方还自相矛盾。
AI 做的不是"摘要×5"，而是"综合"——把5份文档里散落的信息碎片，拼成一个完整的、没有自相矛盾的图景。
这件事的难度，跟单文档摘要完全不在一个量级。
难在哪？
第一，冗余。5份报告大概率都在讲同一件事，只是各自的角度和详略不同。AI 得判断哪些是重复的废话、哪些是独特的增量信息。
第二，矛盾。同一指标，5份报告可能给出3个不同的数字。AI 得决定信谁的、还是都列出来让你自己判断。
第三，视角差异。卖方研报和买方研报可能得出完全相反的结论——一个说"前景广阔强烈推荐"，另一个说"估值过高建议回避"。这俩结论你不能简单取平均。
所以，这是让一个侦探同时审问5个证人——他们说的有重合、有矛盾、各怀心思。侦探得自己判断谁说的对、谁在撒谎、谁漏了关键信息。
用学术话说，这叫"多文档摘要"（Multi-Document Summarization）。用大白话说，就是从一堆互相打架的材料里拼出一个完整的真相。
摘要和综合的区别就在这里。摘要只是把一个文本缩短，综合则要从多个来源里提取关键想法，消除冗余、裁决冲突、建立跨文档关联，最终拼出一个新的、完整的图景。整个本文要讲的就是这个过程——AI 怎么从5份互相打架的文档里，拼出一份靠谱的总结。
文字公式表达就是：
综合 = 摘要 + 冗余消除 + 冲突裁决 + 跨文档关联
三种策略，各有各的坑
那 AI 具体怎么处理这5份文档？
第一招：Stuff，全塞进去
这是最简单粗暴的——把所有文档一次性塞进一个提示词里，让 AI 直接出一版总结。
就像侦探把5个证人同时叫到一个审讯室里一起问。简单，直接，一次搞定。
但问题在于，审讯室就那么大。AI 的"审讯室"叫上下文窗口，Claude Sonnet 4 能撑到100万 token，差不多1500页文本。听着不少，但真碰到几十份长报告，照样装不下。超过这个量，要么直接报错，要么 AI 开始"忘"前面看过的内容。
文档少的时候，这招又快又好。文档一多，就力不从心了。
第二招：Map-Reduce，分而治之
这招分两步走。先让 AI 对每份文档分别做总结（map），然后把5份总结再合并成一份最终总结（reduce）。
就像侦探分别审问5个证人，各自录一份口供，然后把5份口供交给分析师做交叉比对。
好处很明显——可以并行处理，5份文档同时总结，速度快。而且不管你有多少文档，理论上都能处理，因为每份都是单独消化的。
但坑也在这里。"摘要的摘要"会失真。每做一次总结，细节就丢一点。你把5份各自丢失了细节的摘要再合并一次，又丢一层。最后那份总结跟原文之间的信息损耗，可能比你想象的大得多。
第三招：Refine，边做边调
这招是逐份处理的。先看第一份文档，出一版总结。然后看第二份，用第二份的信息更新这版总结。再看第三份，再更新。以此类推。
就像侦探先审第一个证人，形成对案情的初步判断；再审第二个证人时，根据新证词不断修正自己的判断；一个一个来，判断越来越精确。
好处是最连贯——每份文档都不是孤立处理的，而是跟前面的内容融合在一起。最终输出读起来像一篇完整的文章，不像缝合怪。
但坑在于"先入为主"。第一个证人的证词定了判断的基调，后面再听到什么，都会被这个基调带着走。如果第一份报告的观点有偏差，后面4份很难把它纠正过来。第一印象，有时候比事实更顽固。
这三招不是谁取代谁，文档少用 Stuff，文档多用 Map-Reduce，要连贯用 Refine。
AI"大脑"里的四步推理
上面说的是"怎么喂文档"的策略。但 AI 拿到这些文档之后，脑子里到底发生了什么？
拆开它的推理过程，其实就四步。
第一步：认人
侦探到现场第一件事不是破案，是先搞清楚5个证人都是干嘛的——哪个是当事人、哪个是旁观者、哪个是专家、哪个可能跟案子有利益关系。
AI 也一样。
它先识别每份文档的类型（是论文还是报告还是新闻？）、结构（哪里是摘要、哪里是正文、哪里是结论？）、以及关键实体（人名、公司名、数据指标）。这一步主要靠预训练时积累的文档理解能力。
第二步：抽线索
侦探接着把5个证人的话拆成一条条线索，然后按案件归类——关于"市场规模"的放一摞，关于"竞争格局"的放一摞，关于"技术趋势"的放一摞。
AI 做的是，它先从每份文档里提取核心论点、支撑数据和结论，然后在不同文档之间建立对齐关系——识别哪些文档在讨论同一个问题、哪些用了类似的方法。这一步把分散在各文档中的信息"串"了起来。
第三步：对质
这是核心环节。
侦探把5个证人叫到一起对质——"你说市场500亿，你说800亿，到底多少？"这一步是整个推理过程最关键的地方，也是最容易翻车的地方。
AI 在这一步要做的是交叉比对和冲突检测。
它要识别不同文档之间的信息冲突：同一指标的不同数值、同一现象的不同解释、同一事件的不同叙述。然后做一个判断——是都列出来让你自己选，还是根据来源可信度裁决一个。
这一步之所以难，是因为与单文档摘要不同，5份文档之间矛盾是常态。这一步做得好不好，直接决定了总结的质量。
第四步：结案
侦探最后写结案报告。每条结论后面都注明"据证人A陈述""据证人B陈述"——不能凭空编。
AI 也一样。它输出一份结构化综述，每条信息标注来自哪份文档。这一步看似简单，但标注来源这件事本身就是一种防幻觉机制——逼着 AI 去想"这个结论我是在哪份文档里看到的"，想不起来就得标"待核实"。
AI凭什么能"同时看到"5份文档？
说到这里你可能会问一个更底层的问题—— AI 怎么做到同时"看到"5份文档的？它的"脑子"真的装得下吗？
答案"注意力机制"。
想象这样的场景：一间会议室里挤着10万个人，每个人嘴里都在同时说话。但神奇的是，每个人都能听清所有人在说什么，并且自动判断"谁说的跟我相关、谁说的不重要"。相关度高的，就多关注一点；不相关的，就当背景音。
这就是注意力机制在做的事——每个词都在给其他所有词打分，决定该关注谁。
文字公式表达：
注意力 = 相关性 × 信息的意外程度
你越跟"我"相关，我越关注你；你说的话越出乎我的意料，我越要仔细听。这两个因素乘在一起，就是一个词对另一个词的"注意力权重"。
但这个机制有个致命问题：太贵了。
10万个人，每个人要给其他所有人打分——那就是10万乘以10万，100亿次打分。人数翻倍，计算量翻四倍。这就是 O(n²) 的恐怖之处。
这也是为什么早期的大模型上下文窗口只有4千 token——不是不想做长，是算不起。
后来工程师们想了一堆"偷懒"的办法。
第一个叫分块注意力。把10万人分成100个教室，每个教室内部互相打分，教室之间再传纸条交流。计算量从"10万人互相打分"降到了"100个教室各自内部打分加教室间传纸条"。
第二个叫稀疏注意力。不跟所有人打分，只跟"看起来重要的"打分。就像开会时你不会认真听每个人的发言，只关注跟你相关的或者说话有分量的那几个人。
第三个叫滑动窗口注意力。每个词只能看到前后一定范围内的词，看不到的就不管了。全局信息靠多层堆叠慢慢传递——第一层看到邻居，第二层看到邻居的邻居，层数够了，远处的信息也就传过来了。
没有这些"偷懒"的优化，长上下文模型根本不可能做到一次性读完5份文档。Claude Sonnet 4 已经撑到了100万 token，Gemini 也能到100万以上，靠的就是这一层层的技术叠加。
再拓展一句，这些计算之所以能跑起来，还得靠另一种硬件——GPU。CPU 像老教授，数学好但只有一个脑子，一道一道算；GPU 像一千个小学生，只会算1+1，但一人算一道，加起来比教授快一百倍。注意力机制那种"每个人给所有人打分"的大规模并行计算，正好是 GPU 的主场。
开卷考试 vs 过目不忘 vs 画关系图
上面说的是 AI"脑子"内部怎么推理。
但在把文档喂给 AI 之前，还有个更根本的选择：怎么喂？
目前有三条主流路线，各有各的最佳场景。
第一条路：RAG，开卷考试型
RAG 就是检索增强生成。但别管这个名字，记住一个类比就行——RAG 就像开卷考试。
GPT 是那个脑子聪明但记性差的学生。RAG 就是允许他带课本进考场。遇到不会的题，当场翻书找答案，找到相关的那一页，照着答。
好处是课本可以无限大。几百上千份文档塞进向量数据库，每次只翻跟问题最相关的那几页。而且单次查询成本很低，大约只要几美分。
但坑在于——翻书只能看到那一页。你翻到一个公式，但不知道这个公式是在什么场景下用的、前因后果是什么。就像考试时你翻到一个条款，但你不知道这条法律是针对什么情况立的。RAG 的碎片化问题根源就在这里：模型看到的是被切碎的片段，不是完整的论证链条。
适合的场景是：文档库特别大、查询特别频繁、每次只需要回答具体问题。
第二条路：长上下文，过目不忘型
这是天才学生，不用翻书。5本书的内容一口气全背下来，然后直接在脑子里交叉比对。
好处是你能看到每份文档的完整论证链条。前面讲的四步侦探推理——认人、抽线索、对质、结案——只有在长上下文模式下才能真正跑通，因为 AI 能同时看到所有文档的全貌，而不是被切碎的片段。
数据也能说明问题：在超过5万 token 的输入场景下，长上下文方案的信息召回率能到92%，引用准确率在88%到92%之间。而 RAG 方案——就是下面要讲的那种"开卷考试"——引用准确率只有75%到85%。差距就在这种需要全局视角的冲突检测上。
但坑在于脑子容量有限，而且贵。目前 Claude Sonnet 4 的窗口大约能装1500页文本，超过就得回头用 Map-Reduce 分批处理。而且装得越多，算力消耗越大——前面说了，注意力机制是 O(n²) 的，token 翻倍计算量翻四倍。
适合的场景是：文档数量可控（5到20份）、需要深度交叉分析、对信息完整性要求高。文献综述、行业研报整合，就是典型的长上下文场景。
第三条路：GraphRAG，画关系图型
这是那种会做思维导图的学霸。
他不是直接读书，而是先把5本书里所有的人物、事件、关系全部提取出来，画成一张巨大的关系图。然后把这张图按"朋友圈"分组——用社区检测算法把关联紧密的节点聚到一起，每个组出一个总结。最后把所有组的总结合并成全局摘要。
这个方案是微软提出的。它的核心优势是能处理那种"没有任何单一文档包含完整信息"的场景——5份文档各自只说了真相的一个侧面，你得把它们的关系网络拼出来才能看到全貌。
适合的场景是：文档之间关联复杂、需要全局视角、单看任何一份文档都不够。
最好的方案其实是混着用。先用 RAG 从大库里翻出最相关的5到10份文档——便宜、快速。再把这些文档交给长上下文模型，让它过目不忘地做深度分析——准确、全面。实测下来，这种混合方案在文献综述撰写场景下效率提升约3到5倍，同时保持了较高的信息覆盖度。
知道了原理，为什么还是会翻车？
读到这里你可能会想：既然 Stuff 会超窗口、Map-Reduce 会丢细节、Refine 会先入为主，那我选对策略不就行了？
没那么简单。上面三种策略的坑是"选型层面"的，换一种策略就能绕开。但有些坑是"机制层面"的——不管你选哪种策略，它都可能出现。
坑一：递归合并放大幻觉
Map-Reduce 的坑不只是"丢细节"，更严重的是幻觉会随合并层数放大。当文档量很大时，你需要先分批总结，再把各批摘要再合并，合并完可能还得再合并——摘要的摘要的摘要。
就像传话游戏，5个人传一句话，传到最后面目全非。每做一次总结，AI 都可能"脑补"一点原文没有的东西。有论文专门研究了这个问题，发现递归合并过程确实会显著增加事实不准确的风险。这不是换策略能解决的——只要你需要多轮合并，这个问题就存在。
坑二：冲突裁决没有标准答案
第二节说的"矛盾"是 AI 面对的难题，但这里说的是另一个层面：即便 AI 正确识别了矛盾，它裁决矛盾的方式也不一定靠谱。
5个证人说法矛盾的时候，理想情况是侦探去查证谁对谁错。但 AI 没有外部事实可以查——它只能基于文档内部的信息"猜"一个。有时候它会各打五十大板——"据A说500亿，据B说800亿"就完了，不告诉你该信谁。有时候它会直接选择性忽略其中一个，只输出它"觉得更靠谱"的那个版本。
开头说的那个例子——3份说500亿2份说800亿，总结里只有500亿——大概率就是这个坑。AI 不是没看到那2份报告，而是它在裁决时偏向了"多数派"。
坑三：注意力机制的天然盲区
前面讲了注意力机制让 AI 能"同时看到"所有文档，但这个机制有盲区。AI 处理长文本时存在"中间遗忘"现象——位于输入中间位置的信息更容易被忽略，首尾两端的信息更容易被关注。
这意味着，即便你用 Stuff 策略把所有文档都塞进去了，AI 也"看到"了所有文档，但它在分配注意力时天然偏向首尾。内容少、位置靠中间的文档，信息在最终总结里出现的概率会明显降低。这不是策略选错了，是注意力机制的结构性短板。
坑四：引用准确率的天花板
不管用哪种策略，最好的模型引用准确率也就88%到92%。也就是说，每10条引用里，可能有1到2条是错的或者编的。关键数据，你永远得自己回去核对一遍。
这不是 AI 不行，这是当前技术的天花板。知道天花板在哪，你才知道什么时候该信它、什么时候该自己来。
最后
下次你把5份报告丢给 AI 时，你知道它不是在"复制粘贴"，而是在做一场四步侦探推理：认人、抽线索、对质、结案。
你也知道它可能会翻车：传话失真、和稀泥、忽略话少的证人。
如果 AI 能同时审问5个证人并拼出真相，那当证人变成500个、5000个的时候，它还能保持同样的判断力吗？当证人开始说谎——不是事实错误，而是精心构造的误导——AI 的对质能力还够用吗？
这些问题，目前没有人能给出确定答案。
