图 1：本文封面，点明主题「AI 摘要与改写」。
先想象两个每天都在发生的场景。一份五十页的行业报告，你只关心结论和数据，通读要两小时；一段你自己写的草稿，逻辑没问题但语气不对，要改成发给客户的版本。这两件事今天都可以交给 AI，但多数人用错了——把长文整个丢过去说一句「帮我总结一下」，拿到一段正确的废话。
核心结论一句话
AI 摘要和改写不是一次性的「丢进去、取出来」，而是一条四步流水线：把长文切成上下文装得下的段、逐段生成摘要、把各段摘要合并成全文提纲、再按受众和要求改写。流水线的每一步你都握着方向盘——你给角色、给结构、给约束，AI 出初稿，你负责复核关键事实。
先看清楚工具的边界
大模型能一次读多长的文章，由上下文窗口决定。Anthropic 官方文档显示，其主流 Claude 模型的上下文窗口最高达 100 万 token，但同时提醒一个反直觉的事实：塞进去的内容越多，模型的准确性和召回率反而会下降，他们把这叫「上下文衰减」。Moonshot AI 的官方 API 文档也写明：接口本身不保存对话历史，历史变长时官方建议只保留最近消息或压缩早期内容。两条官方信息指向同一个实践结论：窗口再大，也不要无脑整篇投喂；切分、压缩、聚焦，永远是长文处理的基本功。
四步流水线
第一步，切分。按章节或小节把长文切成若干段，每段远低于上下文上限。切分保住了细节——整篇投喂时模型常常只记住开头和结尾。
第二步，逐段摘要。对每段单独生成摘要，并顺手记录这段的关键数字、人名、结论。
第三步，合并提纲。把各段摘要拼起来，让 AI 生成全文提纲——这一步的输入已经是浓缩后的文本，质量远好于直接对原文出提纲。
第四步，定向改写。摘要或提纲到手，再下改写指令：给谁看、什么语气、多长。面向老板的版本突出结论与数字，面向新手的版本补背景、去术语，同一份原料出不同成品。
图 2：AI 摘要与改写的四步流水线，与好提示词的四要素。
好提示词的四要素
同样一句「总结这篇文章」，加上四要素就是另一个物种。给角色：「你是面向管理层的行业分析师」。给结构：「输出三个部分——核心结论、关键数据、风险点」。给约束：「三百字以内，原文出现的数字一个不许改」。给样例：贴一两段你认可的摘要示范，让模型对齐风格。四要素的本质是把「你想要什么」从模型脑补变成明确规格。
改写同理。拿提纲改写成三个版本试一下：管理层版，开头一段直接给结论和建议；同事版，保留推理过程和折中点；外部客户版，删掉内部术语和敏感数字。三个版本共用同一份原料，差别全部来自你下的指令——这正是「提示词即规格」的含义。另外，如果你在用 API 做批量摘要，可以利用官方文档提到的 JSON 模式或结构化输出，让模型固定输出「标题、要点、风险」这样的字段，下游程序才好接。
三个常见误区
误区一：摘要是客观事实的压缩，可以直接引用。模型会一本正经地编错数字和人名，关键信息必须对照原文复核，这不是谨慎是必需。误区二：窗口大就不用切分。上下文衰减意味着十万字整篇投喂的摘要质量，往往不如分段摘要再合并。误区三：改写等于润色。只改语句不改受众，等于没改写——好的改写先换视角，再换文字。
给你的行动建议
今晚拿一篇你本来就要读的长文试一遍流水线：先让它逐段出摘要，再合并成提纲，最后改写成「发给完全不懂行的朋友」的版本，并抽查三处数字是否和原文一致。跑完一次你会发现，省下的不只是阅读时间，还有「这篇到底讲了什么」的确定性。
你用 AI 读长文时翻过车吗——是编错了数字，还是漏掉了最关键的那段？欢迎分享你的经历。
参考资料
- Context windows（Anthropic 官方文档：主流 Claude 模型上下文窗口最高 100 万 token、上下文变长时准确性下降的 context rot 现象、服务端压缩等长对话管理策略） — https://docs.anthropic.com/en/docs/build-with-claude/context-windows
- Kimi API Create Chat Completion（Moonshot AI 官方文档：接口无状态不保存历史、历史变长时建议保留最近消息或压缩早期轮次、JSON 模式与结构化输出） — https://platform.moonshot.ai/docs/api/chat