AI摘要策略：快速提取关键洞察
掌握文档、会议和研究论文的AI摘要技术。
抽取式 vs 生成式：现代模型实际在做什么
经典的摘要系统是抽取式的：从原文中挑选最重要的句子，逐字拼接起来。结果生硬但安全，因为每一句话都可以证明确实存在于原文之中。现代大语言模型是生成式（抽象式）的：它们生成全新的句子来转述原文。生成式摘要读起来自然得多，也能大胆压缩，但错误恰恰是在转述这一步渗入的。模型可能把两个独立的论断合并成一个，丢掉"在某些情况下"这样的限定语，或者把一个谨慎提出的发现说成板上钉钉的事实。当准确性至关重要时，你可以把LLM拉向抽取式行为："只使用原文的直接引语进行总结，每条引语标注其所属章节。"混合式指令同样有效："用你自己的话总结，但在每个关键论断之后，附上原文中支持它的那句话的原文。"
分层摘要
不同的决策需要不同的深度，所以一次性要求三个层次："给我 1) 一句话摘要，2) 约100词的一段话摘要，3) 包含所有要点、重要数字和注意事项的详细摘要。"一句话层告诉你这份文档对你是否重要。段落层用于分诊和转发。详细层可以替代第一遍通读。三层一起生成能保持彼此一致，而分开请求往往做不到这一点。
超出上下文窗口的文档：Map-Reduce分块
当文档超出模型的容纳能力，或长到质量开始下降时，把它按逻辑切成块——章节、小节或10到20页的区块——用同一个结构化提示词分别总结每一块。然后把所有分块摘要一起喂回去，要求生成一份统一的综合摘要：消解重复内容，但保留各部分之间的分歧。有两个细节决定成败：按自然边界而不是固定字符数切块，避免论证被拦腰截断；并且指示归并步骤对分块摘要之间的矛盾明确标记，而不是悄悄抹平。要预期每个环节都有损耗；对你真正重要的细节应该点名要求提取，而不是指望它挺过两轮压缩。
"迷失在中间"问题
针对长上下文模型的研究反复发现：模型对出现在输入开头或结尾附近的信息检索和加权得最好，对位于中间的信息处理得最差。对摘要而言，这意味着埋在一份30页报告第14页的关键发现，从摘要中消失的概率会不成比例地高。实用的应对办法：让单个分块保持适中的大小，使任何内容都不会深陷中段；直接追问"这份文档中间三分之一里有哪些重要内容你没有包含？"；对于高风险文档，调换章节顺序再做一遍摘要，然后比对两次结果。最近的模型处理长输入明显好于早期几代，但位置偏差只是被削弱了，并没有消失。
按领域定制的结构化提示词
泛泛的提示词只能产出泛泛的摘要。结构化提示词会迫使模型去寻找你真正要据以行动的类别。对比一下。Before: "总结这份会议记录。" After: "把这份会议记录总结为：1) 做出的决定，以及每项决定由谁做出，2) 带负责人和截止日期的行动项，3) 需要跟进的未决问题，4) 提出的异议或担忧，并引用提出者的原话。如果某个类别为空，请明确说明为空。"
研究论文用："总结时涵盖：1) 研究问题，2) 方法论与样本量，3) 关键发现及报告中的确切数字，4) 作者承认的局限性，5) 这篇论文没有主张什么。不要在已陈述的结果之外做外推。"
邮件线程用："把这个邮件线程总结为：1) 核心问题，2) 每位参与者当前的立场，3) 已达成一致的内容，4) 尚未解决的事项以及谁在阻塞，5) 唯一的下一步行动。" "为空就明说"这一条在任何场景下都很关键：没有它，模型往往会为了填满每个被要求的类别而编造条目。
查询聚焦摘要
很多时候你要的根本不是一份泛泛的摘要，而是这份文档对你的问题的回答。直接问："从这份合同中，只总结影响提前解约的条款，并逐条原文引用相关条款。" 或者："只就与我们的欧盟扩张决策相关的部分总结这份报告。" 查询聚焦的摘要更短、更密，对决策的用处也大得多；限定范围还会压缩内容漂移的空间。代价是隧道视野，所以要追加一句："另外单独列出文档中我的问题没有覆盖到的任何重要内容。"
当摘要撒谎时：验证习惯
摘要以两种典型方式失败。其一是幻觉式添加：原文中根本不存在的名字、数字和结论——当原文很长或结构混乱时，即使是强大的模型也经常有人报告这种情况。其二更阴险，是论断反转：原文说某种治疗未显示出显著效果，摘要却说它显示出了效果，因为模型丢掉了一个否定词或限定语。能同时抓住这两类问题的验证习惯如下：
- 要求证据锚点："在每个论断后标注对应的章节标题或页码，并引用支持它的句子。" 然后抽查这些引语与原文是否吻合，因为锚点本身也可能是捏造的。 - 抽查每一个数字。数字和单位是转述过程中的常见牺牲品，把4.2%写成42%的摘要比没有摘要更糟。 - 专门核查否定表述："列出你的摘要中所有涉及否定或局限性的论断，并附上原文句子。" - 对重要文档，尽可能在两个独立对话中各做一次摘要，把两份摘要之间的任何分歧当作需要人工阅读的警示信号。
常见错误
- 不给长度、结构或目标读者，只说"总结一下"，然后照单全收返回的任何内容。 - 把远超上下文窗口的文档整个塞进去，却没发现模型悄悄忽略了被截断的剩余部分。 - 按字符数而不是逻辑章节切块，把论证拦腰截断。 - 要求分类却不加"为空就明说"条款，等于邀请模型编造条目。 - 不与原文核对就接受数字、百分比和否定式论断。 - 会议、论文、邮件线程一律套用同一个通用提示词。
一份提示词设计得当的摘要是真正的阅读加速器。一份未经验证的摘要则只是一段听起来可信、错误率未知的转述。所以，把功夫下在提示词结构和抽查上，而不是把摘要多读两遍。