夸克 AI 的文档总结，很多人用成了"压缩目录"：把 PDF 丢进去，说一句"总结一下"，回来五条要点，读完还是不知道要干什么。差别通常不在模型，在你有没有把"要回答的问题"一起交进去。下面这套三步法针对几十页以上的长文档，目标是让每条结论都能落回原文。
它拿到的是什么
文档先被解析成文本，再按长度切成块，逐块送进模型，各块结果最后拼起来。这条链路决定了两件事：解析质量排在提问技巧之前；跨块的问题容易被切碎。
扫描件靠 OCR 取字，双栏排版和图表为主的 PDF 解析出来常是断句和错序。检查方法很直接：让它复述开头三段的原话，如果连不成句，先换文件（导出为可复制文本的版本），再谈提炼。表格跨页、脚注混进正文，也会让后面的结果整体偏掉。
头一轮只问骨架
先别问内容，问结构："这份文档分几个部分，每部分回答什么问题，各占多少篇幅。"拿到骨架后再指位置提问，模型不必在全文里重新检索，回答的稳定性会明显不同。
骨架还能当校验用。给出的章节和目录对不上，说明解析错了；给出的部分数量明显少于目录，说明内容被截断。这两种情况继续追问都是浪费，先修文件。
篇幅分布也能帮你分配注意力。一份八十页的报告，如果四分之三在讲背景，真正涉及结论的只有二十页，后面就该把提问集中在那二十页上，而不是平均用力。
把问题写成坐标
"关于付款，文档里怎么说的"还不够。一句能用的提问包含三样：对象、范围、期望形态。比如"第 3.2 节的付款节点，做成表格，列出节点名称、比例、触发条件、责任方"，一句话把位置、格式、字段都定了。
问题越具体，遗漏越少。泛泛要总结，模型只能按它自己的重要性判断去挑，挑中的未必是你要的。带上你的问题，等于给它一个筛选器。问题模糊时它只能猜你的意图，猜错的概率不低，意图识别的置信度那套判断思路在这里同样适用：先确认它理解的任务对不对，再让它干活。
一个问题跨多个章节时，拆成三轮：哪几章提到、每章各自怎么说、合起来有无冲突。跨章节的口径矛盾是长文档里最容易漏的信息，只有明确要求比对，它才会指出来。
每条结论都要能回到原文
提要求时加一句："每条结论标出所在章节或页码，并附一句原文。"作用有两个：你能在几十秒内核对；它因为要给依据，编造会明显减少。给不出位置的结论，按推测处理。
四类内容不要信转述：数字、条款、定义、引用。数字会被单位换算错，条款会漏掉限定条件，定义会被同义改写，引用会张冠李戴。这四类看到就跳回原文，花的时间比返工少。
需要推理的部分可以单独开一轮，比如两版条款的差异、前后数据的矛盾，这类任务更适合交给带深度思考模式的模型，什么时候开、开了会慢多少，深度思考的开启判断里有对照。
不同文档的问法对照
| 文档类型 | 头一轮问什么 | 必须回原文核 | 常见失真 |
|---|---|---|---|
| 合同与协议 | 条款结构和定义章节 | 金额、期限、违约与管辖 | 附件与主文冲突，修订版与签署版混用 |
| 研报与白皮书 | 结论、论据、数据来源三段 | 统计口径、样本区间、单位 | 图表编号错位，预测被当成事实 |
| 会议材料 | 议题与决议分开问 | 责任人、时间点、金额 | 讨论中的意见被写成决议 |
| 产品手册 | 章节大纲后按操作问 | 参数单位、适用型号 | 图示说明丢失，多语言版本混排 |
用法是拿到文档先对号入座，直接抄第二列。会议材料这一类，录音转文字再提炼是另一条路径，转写质量怎么判断，会议实时记录里讲得比较细。
什么时候不必用
两三页的文档，直接读更快。提炼一定伴随信息损耗，短文档里损耗占比高，读完还得回原文，等于多一道工序。
需要逐字比对的场景也不适合：校对、审计、条文对照，任何转述都可能改变含义。这类工作让工具做定位（"哪一页出现这个词"），判断留给自己。
时效性内容要留意。文档引用了外部数据，模型不会去核实，它只能复述。文档本身过期，提炼结果也跟着过期。
一套可复用的顺序
三段式提炼速查
- 头一轮问结构：几部分、各讲什么、各占多少篇幅
- 第二轮带坐标：对象 + 范围 + 期望格式，一句话说全
- 第三轮要出处：章节号或页码，附一句原文
- 数字、条款、定义、引用，四类一律回原文
- 跨章节的问题拆三轮问，专门问一次有无冲突
这套顺序可以直接存成模板反复用，模板怎么改成自己的版本，提示词库的改编动作里给了三个步骤。文件格式和具体入口以官方最新版本为准。
