手里有三十份 PDF：行业报告、招标文件、几篇论文，还有上周的会议纪要。要在两天内用 AI 写出一页纸的结论，最耗时间的往往不在读，而在来回翻找——某个数字在哪份文件第几页，某条结论原文怎么写的。万知这类文档问答助手的定位就在这里：把一堆材料变成可以追问的对象。这篇按实际操作顺序讲，从整理材料到追问、复核，每一步产出什么、哪里容易翻车。
读不完的材料，卡点通常在检索而不是阅读
三十份文件里真正有用的可能只有几页。人的做法是先扫目录、再看摘要、最后跳到关键章节，这套动作靠的是对文档结构的判断。文档问答助手做的是同一件事的自动化版本：先把文档切成片段，算出每段的语义特征，你提问时再找出最相关的几段，交给模型组织成回答。这条路径有个通用名字，叫 检索增强生成（RAG）。理解这一点很关键：它回答的依据是检索到的那几段，检索没找到，后面写得再顺也是空的。
从一堆文件到一页结论，中间隔着五道工序
前三步没做实，后面全是返工：
| 步骤 | 产出物 | 常见坑 |
|---|---|---|
| 一、整理材料 | 一个分类清楚的文件夹，文件名带主题与时间 | 扫描件和可复制文本混在一起，识别错误无人察觉 |
| 二、建立整体印象 | 一份文档清单：每份讲什么、多少页、哪份是主文件 | 一上来就问细节，答得零碎，还以为工具不行 |
| 三、分主题提问 | 按主题拆开的问题清单，一个问题只问一件事 | 把五个问题塞进一句话，回答只覆盖了其中一个 |
| 四、要求给出处 | 每个结论后面带原文位置或原句 | 只看结论不看原文，把概括当成了原话 |
| 五、整理成表格或摘要 | 可复用的对比表、要点清单、引用列表 | 直接复制输出，没有回头核对数字和单位 |
第三步是最容易省掉、也最不该省的一步。一个问题只问一件事，回答才有明确的边界；把「这份报告讲了什么、有什么风险、和我们去年比怎么样」一次问完，得到的往往是三段泛泛的概述。这个习惯和写提示词是同一套逻辑，可以看 提示词怎么写才有效。
它读的是你给的那几段，不是你想象中的全文
很多人以为上传之后它就记住了整份文档。实际更接近这样：每次提问时，系统从文档里挑出若干相关片段送进模型，而模型一次能看到的上下文有长度上限，超出部分会被截断或舍弃。所以同一份两百页的报告，问开头和问结尾，效果可能差很多；跨章节做汇总时，前面章节的细节容易被漏掉。上下文窗口是什么、为什么有限，可以看 上下文窗口怎么影响回答。想让汇总更完整，办法是分章节问、分批汇总，把大问题拆成小问题，别指望它一次读完。
文档里没有的答案，它也可能写得像有
这是文档问答最需要防的一处。当你问「第三季度的成本构成有什么变化」，而文档里只有前两个季度的数据，它有可能顺着语气补出一段听起来合理的分析。原因不复杂：它的训练目标是生成连贯的回答，拒答在语料里是少数情况。可用的做法是提前把规则说死：只依据文档作答、给出原文、没有就说「文档未提及」。即便如此也要抽查，尤其是数字、日期、主体名称这三类，错一个字结论就反了。这类编造现象的通称是 AI 幻觉，它在长文档场景里更隐蔽，因为读者很难逐页比对。第二层限制在材料本身：扫描件识别错字、表格跨页断裂、双栏排版串行，都会让检索抓错段落，而错误通常以「答得很流畅」的形式出现。
什么材料适合交，什么材料别急着交
公开报告、产品手册、课程讲义、自己写的草稿，这类材料适合直接上传，错了顶多返工。合同、简历、病历、未公开的财务数据要谨慎：先确认平台对文件怎么存、存多久、能不能删除、会不会用于训练，再看有没有必要整份上传。折中的办法是先做脱敏，把姓名、证件号、金额替换掉，只留结构。另外要接受一个前提：它给的是「基于这份文档的读法」，不是事实判断。文档本身写错了，它会照着错的说；文档有过期版本，它可能把两版混在一起答。涉及条款、金额、责任的结论，最终要回到原文逐条核对。
速查：文档问答的四条操作纪律
- 先建文档清单，再问细节
- 一个问题只问一件事
- 每个结论都要原文出处
- 数字、日期、主体名逐项核对
- 敏感文件先脱敏再上传
