长文档总结的关键不在压缩字数，而在信息分层、结构化提示与事实校验。本文给出可复用的 DeepSeek 操作路径。
长文档总结常被误解为把篇幅压短，真正难点在于从几十页材料中还原论证链、关键数据、约束条件和风险提示。面对一份八十页的行业研究报告或带附件的合同，直接让 DeepSeek“写个摘要”往往得到流畅但失真的结果，因为模型会把次要信息当主线，也会在长上下文中漏掉限定词。更稳妥的做法是把总结拆成文档体检、结构化提示、分块归并和事实校验四个环节，让每一步都有明确输入、输出和回查依据。
1. 文档体检与信息分层
拿到长文档后不要急着生成摘要，先让 DeepSeek 做一次文档体检。提示可以要求它输出目录结构、各章节主题、核心术语、可能的数据表和风险段落，并标出每章最重要的三个断言及原文位置。这个动作的价值在于建立阅读地图：技术白皮书需要关注论证链和实验口径，合同需要关注主体义务、付款条件、违约责任和争议解决，投研报告则需要先锁定盈利预测、样本区间和风险提示。文档类型不同，摘要骨架也应不同，不能套用同一套模板。以一份约五万字的行业报告为例，单次上下文足以容纳全文，但噪声密度高，直接总结容易把附录数据误当主结论，体检环节能把决策层结论、证据层数据和约束层假设分开。
信息分层要落到可操作的标记上。决策层放结论、建议和影响判断，证据层放关键数据、案例和来源，约束层放假设、范围、口径和不确定性。提示中应要求模型保留章节标题、页码或表格编号，后续校验才有落点。对于表格密集的文档，可先把表格转为 Markdown 并保留表头，再让 DeepSeek 单独解释表格口径，避免表格与正文混在一起被平均压缩。扫描版 PDF 还需要先做 OCR 校对，尤其是数字、单位和脚注，否则后续摘要会建立在错误文本上。
切分文档时优先按标题层级切，而不是按字数硬切。每块控制在六千到一万字，保留父标题、页码和前后文关系，块与块之间留百分之十左右重叠，防止因果句被切断。这样做虽然多花一轮调用，但能显著降低长上下文中的中间遗忘和跨章节指代错误。文档体检与信息分层不是形式步骤，它决定了后面每一轮提示究竟在回答什么问题。
2. 结构化提示锁定摘要骨架
DeepSeek 的输出质量很大程度上取决于任务定义是否具体。一个可用的提示应包含角色、目标读者、输出字段、证据要求和禁止事项。角色不宜只写“资深专家”，而要说明判断标准，例如“以行业研究主编的标准区分事实、推断和作者观点”。输出骨架可以固定为一句话结论、关键发现、关键数据表、风险与限制、原文定位五部分，用 Markdown 表格或 JSON 约束字段，减少模型自由发挥。提示中还要明确“只基于给定文档，不引入外部知识；缺失信息标注未提及；数字保留单位和口径；每个结论附章节或页码”。这些约束比反复要求“准确一点”更有效。
长文档单次投喂时，把阅读任务书放在开头，把输出格式放在结尾，中间用清晰分隔符标记章节。任务书说明文档类型、读者和使用场景，例如“面向管理层的三分钟决策摘要”与“面向法务的条款风险清单”应使用不同骨架。对于合同摘要，提示要特别要求保留“除非”“不超过”“以双方书面确认为准”等限定语；对于研究报告，要保留同比口径、样本量和统计区间。模型容易把“自动续约”写成“可续约”，把“样本内结论”写成普遍结论，结构化提示的作用就是提前堵住这类滑坡。
多轮提示比一次性长提示更稳。第一轮只做目录、术语和章节定位，第二轮按章节输出块摘要，第三轮再做全局归并。每轮限定输出长度和字段，避免模型在第一轮就把所有内容压成一段空泛概述。温度参数可调低，关闭联网，固定模型版本，便于复现。提示中还应要求模型区分“原文明确”“根据数据推算”“作者观点”三种证据强度，后续归并时就不会把推断当成事实。结构化提示不是让文章变得机械，而是让摘要骨架稳定，把模型能力用在信息重组而不是格式猜测上。
3. 分块摘要与全局归并
超过上下文舒适区的文档应采用分块摘要加全局归并的路径。Map 阶段按章节生成块摘要，每块固定输出本章目标、核心结论、关键数据、与前文关系、风险限制和原文位置，单块摘要控制在四百到六百字。块摘要不要追求文采，而要保留可合并的字段，方便 Reduce 阶段去重和对照。Reduce 阶段只输入目录、块摘要和必要的术语表，要求模型合并同义结论、标记冲突数据、按论证链重组，而不是把块摘要简单拼接。全局归并时再次强调“不引入外部知识”，并要求对冲突数字列出对照表，说明各自出处和口径差异。
分块大小要结合文档结构和模型窗口调整。章节短的可合并，章节长的按二级标题再切；表格、图表和附录单独走一条管线，避免正文摘要吞掉表格里的关键数字。块间重叠不是越多越好，百分之十到十五通常够用，既能接住跨段因果，又不会让重复内容淹没主线。归并阶段可以要求模型输出两个版本：一千五百字左右的管理层摘要和三千字左右的详细摘要，前者用于决策，后者用于留档。两个版本共用同一套证据标记，后续校验时能快速定位。
全局归并最容易出现的问题是“平均主义”，即每个章节都给一句，导致重点被稀释。提示中应要求按影响程度排序，把资源集中到改变判断的发现上，并明确删除重复背景、弱证据和无关附录。对于多文档汇总，还可以先做文档间对照表，再生成综合摘要，避免单篇摘要各自成立但整体矛盾。分块与归并的价值在于把长文档拆成可检查的中间产物，每一块都能回查原文，最终摘要才有可追溯性。
4. 事实校验与迭代压缩
摘要生成后必须进入校验环节。校验清单应覆盖数字、日期、主体、因果、限定词和引用位置，关键数字建议百分之百回查原文，其他结论按风险抽样。可以利用 DeepSeek 做反向问答：根据摘要中的断言提问，要求模型从原文找证据；也可以让另一轮提示扮演审稿人，专门寻找“没有原文依据的漂亮话”。同一文档可同时生成抽取式摘要和生成式摘要，对比差异，差异处往往就是模型过度概括的地方。对于合同和投研报告，主体、期限、口径和条件句是高风险字段，校验时要逐项对照，不能只看语言是否通顺。
迭代压缩要分阶进行，先形成一千五百字详细摘要，再压到五百字，最后压到一百五十字。每次压缩都要求保留限定词、数字单位和证据强度标签，删除重复表述和弱相关背景。压缩不是删句子，而是重新判断信息优先级：哪些结论改变决策，哪些数据支撑结论，哪些限制条件必须随结论一起出现。模型在压缩时容易丢掉“在特定样本内”“除双方另有约定外”这类条件，提示中应明确“删掉限定词视为错误”。通过两到三轮压缩，摘要会从资料堆叠变成可读的判断链。
风险控制还包括流程留痕。保存提示、模型版本、输出和回查记录，重要文档不要直接采用首次输出。涉及法律、财务和医疗内容的摘要应由专业人员复核，模型只承担信息整理和初筛。校验动作看似增加一轮成本，却能显著降低长文档摘要中最危险的错误——把限定条件删掉后留下的漂亮结论。
