几百页的材料怎么喂给 AI，三条路各丢掉什么

手上一份年报四百多页，附注比正文还厚。你还想连着看它前两年的，再加上这一年发过的几十份公告。你把文件一股脑拖进对话框，敲一句「帮我把这几年的关联交易变化梳理一下」。

结果通常是三种之一：直接告诉你太长了处理不了；或者它接住了，但回答明显飘，说的东西你在材料里翻半天找不到出处；再或者它认认真真答了，答得也对，只是你后来偶然发现有一处很关键的表述它根本没提——而它从头到尾都没告诉你「这部分我没看到」。

第三种是最麻烦的。前两种你至少知道出了问题，第三种你什么都不知道。

这一节不谈「能塞进去多少字」那个问题，那是另一回事（窗口够不够、以及材料一长准确率为什么会掉，上下文窗口对读财报意味着什么 那节专门讲）。这里假设你已经接受了一个前提：材料超过某个体量，就一定得先做处理，而任何处理都会丢东西。 你要做的选择不是「丢不丢」，而是「愿意丢哪一部分」。

至于「某个体量」在你这儿具体是多少，把材料字数和中文占比填进上下文与成本估算器，对着你手上那个模型的窗口上限比一比就有数了——差得远的，下面这些取舍你根本不用做；只差一点点的，往往挑几节出来就够了。

先说一件搬家时都干过的事

你家有一整箱旧文件，你要在里面找一张三年前的维修发票。三种找法：

一页页翻。 最笨，但你确实把每一页都看见了。代价是慢，而且翻到第两百页时你已经忘了第三十页上写了什么——如果那张发票要跟另一张单据对上才有意义，你多半对不上。

先让人给你写个目录。 找个人花半天把整箱文件缩成一页纸：这箱里有房产类、维修类、保险类，大概各多少份，时间跨度多少。你按目录直奔维修那叠。快，但那一页纸上不会写「其中有一张的金额被手写涂改过」——写目录的人觉得这不重要，或者压根没注意。

做一套索引卡。 提前把每份文件的关键词记在卡片上，以后要什么按关键词抽。抽得又快又准——前提是当初记卡片的人，记的关键词跟你今天要找的词能对上。 你今天找「维修」，卡片上写的是「保养」，这张卡就永远不会被抽出来，而你不会知道它存在。

这三种找法，就是把长材料喂给 AI 的三条路。名字换一下：切块逐段处理、先摘要再分析、建检索让它按需取。

对你的决策意味着什么

先把这件事的分量说清楚，不然容易当成技术细节跳过去。

你在投研里读长材料，几乎从来不是为了「了解一下这家公司」。你是带着一个具体的岔路口去的：这个季度毛利率往下走，管理层在业绩会上说是主动让利换份额，附注里有没有别的证据能裁决这句话？毛利率就是卖一百块钱的东西扣掉直接成本还剩多少；这个数往下走，可以是主动的战略选择，也可以是定价权在丢，两种情况在报表主表上长得一模一样，只能靠细节裁决。

能裁决的证据，往往不在正文里，而在附注、在往年对比、在两句相隔两百页的话之间。 这恰恰是三条路最容易丢的东西。所以路选错了，后果不是「答得不够好」，是你以为你查过了，其实那部分材料根本没进过它的视野——然后你带着一种查过了的踏实感去做决定。

这种踏实感是有毒的。它比「AI 答不上来」危险得多。

三条路各自丢掉什么

切块：丢的是跨段落的关联

切块就是把材料按章节或固定长度切成一段一段，每段单独发给 AI 处理，最后把结果拼起来。

它的好处很实在：每一段都真被完整看过，没有任何一句被跳过。找那种「单点存在性」的东西特别好用——比如把每一段里所有提到担保、诉讼、质押的句子摘出来。

代价有三层，从明显到隐蔽：

第一层，切口会切断东西。 一张表格被切成两半，后半段只剩数字没有表头；一段论述被从中间切开，前半句的主语在上一块里。这种损伤你有时能看出来，有时看不出来。

第二层，也是最要命的一层：跨块的关联永远不会被发现。 正文第八十页说毛利率下降是主动降价，附注第三百二十页说某项存货计提了大额跌价准备。这两句话都不难懂，难的是把它们放在一起看——而在切块模式下，它们从来没有同时出现在同一次对话里。AI 不是判断失误，是它压根没有机会做这个判断。你越是想问「有没有互相矛盾的地方」这类问题，切块就越不适合。

第三层，虚假的踏实感。 你切了四十块，收到四十份小结，其中三十八份写着「本节未见异常」。这三十八个「未见异常」叠在一起，会给你一种全面体检过了的感觉。但每一块单看正常，不代表合起来正常——财务上真正的问题，绝大多数是「合起来才不对劲」的那种。

先摘要：丢的是细节，而且摘要本身可能失真

先摘要就是让 AI 把每一部分先压缩成一小段，再拿这些摘要去做分析。省事，成本低，能把几百页压到几页。

它丢的第一样东西你能预料到：细节。但丢的方式很有偏向性，这一点值得说透。

AI 做摘要时，倾向于保留「看起来像结论的句子」，丢掉「看起来像流水账的数字」。原始材料里写着「应收账款期末余额较上年增长六成，其中前一名客户占比超过三分之二」，摘要出来常常变成「应收账款有所增加」。语义上不算错，但你要的全部信息——增幅多大、集中在谁身上——正好是被丢掉的那一半。

投资里的关键信息，恰恰经常长得像流水账。

第二样丢的东西更隐蔽：摘要是二次加工，误差会往下传，而且不可回溯。 你后面所有的分析都建立在摘要上，如果某句摘要把「预计」写成了「已经」、把「部分产品」写成了「产品」，你在后续对话里是看不出来的——它在你眼里已经变成事实了。这跟 AI 幻觉的常见形态与核验清单 里说的那种凭空编造还不太一样：这里没有编造，只是压缩时的措辞漂移，但结果一样能让你得出错的结论，而且更难察觉，因为它每一步都有出处。

第三样：你看不见被丢掉的是什么。 一份摘要不会附一张「我丢掉了这些」的清单。缺失是静默的。

所以摘要这条路有一个用法上的红线：摘要只能当地图用，不能当证据用。 它的价值是帮你判断「该去翻哪一节」，而不是帮你得出「这一节说了什么」。凡是要写进你研究结论里的句子，必须回到原文那一页去取原话，这就是 一手资料纪律 那节的核心动作在长材料场景下的具体形态。

建检索：丢的是没被检索到的那部分

建检索是把材料先切成小片段建好索引，你每次提问时，系统先按你的问句挑出最相关的若干片段，只把这几片喂给 AI，其余的连碰都不碰。

它是三条路里体感最好的：快、便宜、答得还带出处。也正因为体感好，它的失效方式最容易被忽略。

失效点一，你问的词和材料里的词对不上。 你问「大客户依赖」，材料里写的是「客户集中度」；你问「压货」，材料里写的是「渠道库存」。能不能跨过这道坎，取决于所用的匹配方式——纯按字面匹配的会直接漏掉，按语义匹配的多数时候能接上但不保证。你在使用侧没法确认它用的是哪种，所以只能靠一件事兜底：同一件事换三种问法各问一遍，看回来的片段是不是同一批。三次回来的东西差异很大，说明检索对这份材料很不稳定。

失效点二，切分质量决定一切。 检索能不能命中，取决于当初切片时有没有把一个完整意思切散。表格是重灾区：表头和数据行被切开，检索回来一堆没有表头的数字，AI 照样能给你编出一套解释，因为它会按上下文猜列名是什么。这就是判据里那句「检索依赖切分质量」的实际含义——切分是你看不见的那一步，但它决定了后面所有事。

失效点三，也是三条路里最危险的一处：没被检索到的内容，和不存在的内容，在输出里长得一模一样。 检索回来五个片段，AI 基于这五个片段回答，回答得有理有据、还附了出处。你完全无从判断第六个片段是不是恰好是最关键的那个。它不会说「我只看了五段」，它会说「根据材料，情况是这样」。

两个问题定一条路

到这里可以给判据了。别去背三条路的优缺点，问自己两个问题就够：

问题一：你要找的东西，是分散的还是集中的？

集中的意思是它有明确归属——「关联交易」在一个章节里，「股权激励」在一个章节里，你翻目录就能定位。分散的意思是它散落全篇——「所有对单一大客户的表述」可能出现在正文、附注、风险提示、业绩会纪要四个地方。

问题二：你能不能提前说清要找什么？

能说清，是指你能写出具体的检索词或明确的问题。说不清，是指你的真实需求是「这份材料里有没有什么反常的东西」——这种问题没法转成检索词，因为你不知道反常长什么样。

两个问题交叉，四种情况：

说得清 + 集中。 最省事的一种。先用目录或摘要定位到那一节，然后只对那一节做切块精读。别对全书切块，浪费且引入噪声。

说得清 + 分散。 检索的主场。但必须加两道动作：同一件事换三种问法各跑一遍；跑完之后抽两三条结论回原文核对页码和原句。少了这两道，检索的失效点一和三都会静默生效。

说不清 + 集中。 老老实实把那一节切块通读。这一节可能就几十页，值得。这种场景下别用检索——你连要检索什么都说不上来，检索一定回给你一堆泛泛相关的东西。

说不清 + 分散。 最贵的一种，也是最常见的（「我就是想通读一遍看看有没有问题」）。唯一的解法是分两步：先摘要建地图，把全篇压成一张结构图，只用它来挑出三到五个可疑区域；然后对这几个区域做切块精读。摘要在这里的角色是筛选器，不是分析器——它的产出一句都不许进你的结论。

判据落到一句话：集中就定位后精读，分散就检索加多问法，说不清就先摘要建地图再回去精读。三条路的产出都只是把你带到原文那一页，不是替你读那一页。

动手前先埋个探针

上面这套判据是通用规则，但每份材料的排版、术语、表格结构都不一样，规则在这一份上到底成不成立，得验。

方法很简单，成本也很低：在材料里挑一个你已经知道答案的事实，把它当探针。

比如你已经手动翻到过某项附注里写着一个具体的期限安排，或者你已经确认过某段风险提示里点名了某个特定事项。现在你什么都不说，直接按你选的那条路去问这件事。

• 检索路：换三种问法问它，看能不能把那段原话找回来。找不回来，说明检索对这份材料的这类内容不灵，这条路今天不能用。
• 摘要路：看摘要里有没有保留住这个事实的关键量级。丢了，说明摘要的压缩比对你的需求来说太狠了。
• 切块路：看它有没有把这条信息跟另一处相关信息联系起来。没有，说明你必须补那一轮「关联检查」。

探针的价值在于：它把「我不知道漏了什么」变成了「我知道这条路会漏什么」。 前者你无从下手，后者你能补。花五分钟做这一步，比事后翻查一小时划算得多。

再补一条对三条路都通用的硬动作：要求每条结论必须附原文出处和原句，给不出原句的结论一律作废。 这条听起来严苛，但它是唯一能同时兜住三种失真的动作——切块拼接时的错位、摘要压缩时的漂移、检索没取到时的沉默，全都会在「拿不出原句」这一关上暴露。开源的 AI 投研项目里能看到同一个思路的工程版：把报告里的数字抽出来跟数据源逐条对，对不上就判不通过，算术单独交给专门的计算工具做，不让语言模型自己心算。做这些的人默认的前提就是——模型产出的数字，未经外部核对不允许进入结论。 让它把结果吐成带出处的表格而不是散文，会让这道核对容易得多，这一点在 让它吐表格，别让它写散文 里单独展开。

顺带说三个操作细节

别把「全部读完」当成目标。 四百页里跟你那个岔路口有关的，可能就二十页。把力气花在挑对那二十页上，比花在「怎么把四百页都塞进去」上有用得多。三条路本质上都是在做同一件事——帮你从四百页缩到二十页，缩完之后那二十页还是得你自己读。

分次投喂时，把口径先说死。 你分十次发给它，每次都要在开头重复一遍你关心什么、按什么口径算、结果要什么格式。听起来啰嗦，但不重复的话，第七次的时候它对任务的理解已经和第一次不一样了，你拿到的十份结果口径就对不上，没法拼。

留住页码。 不管走哪条路，让它每条摘录都带上出自哪一页或哪一节。这是后面所有核对动作的抓手。没有页码，回原文核对这件事的成本会高到你实际上不会去做——而不去做，前面所有的谨慎就都白搭了。

小结

• 材料一长就必须先处理，而任何处理都会丢东西。你的选择不是「丢不丢」，是「愿意丢哪一部分」。
• 切块丢的是跨段落关联：两句相隔两百页的话从来不会同框出现；还会制造「每块都没问题」的虚假踏实感，须补一轮关联检查。
• 摘要丢的是细节，且丢得有偏向：它保留像结论的句子，丢掉像流水账的数字，而关键信息经常正是后者；误差还会往下传且不可回溯。摘要只能当地图，不能当证据。
• 检索丢的是没被取到的那部分，而它和「材料里没有」在输出里长得一模一样。切分质量决定一切，问法必须换三种，「未提及」这句话不可信。
• 两问定路：分散还是集中、能不能提前说清要找什么。集中就定位后精读，分散就检索加多问法加抽样回原文，说不清就先摘要建地图再回去精读。
• 动手前用一个你已知答案的事实当探针验这条路；不管走哪条，都坚持「给不出原句的结论作废」，并让每条摘录带上页码。

一句话总结：不管用哪种办法把厚材料变薄，它都只是帮你找到该看的那几页，真正要看的那几页，还是得你自己一个字一个字看过去。