用 AI 总结长文章：从结果飘忽到稳定可用

为什么你的 AI 摘要总是不稳定

最常见的原因是提示词太笼统。「总结一下这篇文章」给了模型过大的自由度，它每次选择的详略和角度都可能不同。

第二个原因是长文被截断。超出模型输入上限的部分被悄悄丢弃，摘要自然前后不一致。第三个原因是原文本身结构松散，模型只能靠猜测提炼主线。

技巧一：把摘要要求写具体

具体到什么程度？至少要交代三件事：给谁看、要多长、要包含什么。例如「给没读过原文的同事看，两百字以内，必须包含三个数据和一个结论」，比「总结一下」的效果好得多。

如果需要固定格式，直接在提示词里画出结构。要求它按「核心结论 / 支撑论据 / 遗留问题」三段输出，每次结果都会保持同样的骨架，便于对比和汇总。

• 受众是谁（决定详略与用词）
• 长度上限（决定压缩程度）
• 必须包含的要素（数据、结论、行动项）
• 输出结构（分段骨架）

技巧二：长文先分段再汇总

几百页的文档别指望一次搞定。正确做法是分两轮：第一轮按章节分别摘要，第二轮把这些摘要再压缩成总摘要。这就是所谓的「分而治之」。

分段还有个附带好处：能定位问题。如果总摘要某处不对劲，可以回溯到具体是哪个章节的摘要出了偏差，而不是对着一个黑盒结果无从下手。

技巧三：用提问验证摘要

拿到摘要后，不要直接信。挑摘要里的两三个关键结论，就原文提问，看模型能不能给出对应的原文位置或细节。给不出，说明这个结论可能是它自己补的。

另一种验证方式是反问：「原文有哪些地方不支持这个结论？」好的模型能列出反例和限定条件，这恰恰是最有价值的部分——原文的微妙之处往往就在这些限定里。

技巧四：让模型暴露不确定性

在提示词里加一句「如果原文没有明确说明，请标注为未提及，不要推测」。这一句能显著减少编造，因为默认情况下模型倾向于给出完整流畅的回答，哪怕原文没写。

对数据密集的材料，还可以要求它逐条列出「原文中的数字」并注明出处位置。数字是最容易出错也最容易被发现的地方，让它们集中呈现便于核对。

什么时候别用 AI 总结

三类材料建议自己读：一是需要判断论证是否成立的（法律条款、学术论文的核心论证），二是结论高度依赖细节的（合同、技术规范），三是原文本身很短、总结省不了时间的。

还有一类是涉及机密的内容。把未公开材料喂给第三方模型，风险不在于摘要质量，而在于内容已经离开了你的控制范围。