ChatGPT 文件分析感觉太浅：5 个原因 + 对症修复

要分析，得到的全是泛泛的 bullet——修法在 prompt，不在模型。

发布于: 2026/05/17 作者: AI Productivity Guide Team 🌐 查看英文版本

“分析太浅”几乎都不是模型能力的问题——是 prompt 没要求深度。文件里的细节确实在 context 里（或者部分在），但 ChatGPT 默认走”安全且全面的概括”路径，因为这条路对绝大多数用户的”帮我看看这个文件”是最讨好的。要拿到 evidence、数字、原文引用，必须显式要求结构、约束格式、强制引证。

常见原因

按命中率从高到低：

1. Prompt 用了”分析 / 总结 / 看一下”这种模糊动词

最常见。“帮我分析一下这份报告”对模型来说等于”给我一份概括”——它没收到深度信号，就回 5-7 条泛 bullet。换”列出所有 > 1M 美元的支出项 + 页码”，结果完全不同。

如何判断：把你的 prompt 读一遍——能不能套到别的文件上？能就是太模糊。

2. 检索只拉了顶层 chunk，深层细节没进 context

大文件（> 30 页 PDF、> 5MB 文档）走的是 retrieval 路径，每次只拉 top-k chunk。Top-k 默认偏向标题、摘要、目录这种”高密度”段落，正文细节常常落选。

如何判断：让它”原文引用第 47 页第 2 段”。引不出 / 引的是别的页 = 检索没到那里。

3. 输出格式没约束，模型默认走”安全 bullet 列表”

不指定输出结构，模型用最不容易被反驳的格式：5-7 条 bullet，每条 1-2 句。给一个表格 / 章节模板，它会被迫填具体内容。

如何判断：你两次问同样问题输出结构是不是都是泛 bullet？是就是没约束格式。

4. 否定 prompt（“不要泛泛""不要套话”）几乎无效

模型对”不要 X”的遵守度远低于”要 Y”。“不要写得太浅”不如”每条论断带一句原文 + 页码”。

如何判断：你的 prompt 里”不要 / 避免 / 不允许”的句子是不是比”要 / 必须 / 输出”多？是就重写。

5. 模型在不确定时默认走”短而安全”

文档抽取质量差（扫描件 OCR、表格被压扁）让模型对很多内容不确定，它就用模糊语言绕过。看起来浅，其实是它在掩饰”我没读到”。

如何判断：回答里大量”可能 / 一般 / 通常 / 在大多数情况下”——它是在用通识填空，不是在读你的文件。

6. Reasoning 模型也救不了模糊 prompt

GPT-5 / o3 综合阶段更好，但模糊 prompt + reasoning 只是给你一份”更漂亮的浅内容”。深度来自结构，不是参数。

如何判断：同一个 prompt 用 4o 和 o3 跑，输出结构差不多 / 都很泛——是 prompt 问题不是模型问题。

动手前先确认

确认问题是在 Projects、Custom GPT 还是普通对话里出现；三者的检索行为不同。
复现前把当前对话复制一份，避免清掉历史影响下次诊断。
确认订阅：Free / Plus / Team / Enterprise 在上下文窗口和模型选择上有差异。

需要收集的信息

文件类型、大小（MB）、页数 / 行数；是否扫描件 PDF、是否含中文 / 公式 / 图表。
上传方式：拖入对话框、Project 知识库、Custom GPT Knowledge。
完整 prompt 文案 + ChatGPT 回复截图；具体把你认为”浅”的那两三句标出来。
当前模型（GPT-5.5 / GPT-5 / o3）。
一个具体例子：文件里第 X 页有数据 Y，但回答没提。

最短修复路径

按收益从高到低，前 2 步通常修 70% 问题。

Step 1：把动词换成”列出 / 抽取 / 对比 / 引用”

“分析这份报告”→ 改成具体动作：

List the 5 largest cost items in this Q3 report. For each, give:
- The exact figure (with currency)
- The page number where it appears
- A one-line quote from the surrounding paragraph

Do not generalize. If you cannot find 5, return fewer.

效果差异巨大。“列出 / 抽取”会触发模型走检索 + 引证路径；“分析”触发的是概括路径。

Step 2：要求每条 evidence 配引用 + 页码

通用模板：

For every claim you make:
- Quote the supporting sentence verbatim, in quotes.
- Cite the page number or section heading.
- If you cannot quote, say "no direct support in document" instead
  of inferring.

这一条强制模型从”概括路径”切到”引证路径”。它会变慢，但浅度问题立刻消失。

Step 3：给输出结构模板

不要让它自由发挥。给个表 / Markdown 结构：

Output as a table:
| Risk | Likelihood (low/med/high) | Quote from document | Page |

Then below the table, list:
- 2 assumptions the document makes that you would challenge
- 1 missing analysis the document should have done

结构空着模型必须填，浅就藏不住了。

Step 4：追问”你跳过了什么”

第一轮回答出来后接：

What did you skip? List every section / table / figure you didn't
look at, and why. If you skipped anything because it didn't fit a
keyword, list those keywords.

模型通常会承认遗漏，然后你可以让它专门去补那几块。

Step 5：分章节问 + 自己聚合

大文档不要一次问全文。先：

List every section heading in this document with page ranges.

然后逐章追问，最后你自己写汇总。“一次拿到完整深度分析”是反模式，模型在每个轮次能给的深度有上限。

Step 6：抽取层差就先转 Markdown 再上传

如果是扫描 PDF / 复杂排版，先本地转 Markdown：

pip install marker-pdf
marker_single report.pdf ./out --max_pages 200

把 Markdown 上传，检索质量飞跃，深度问题往往一起消失。

怎么确认已经修好

开新对话上传同一个文件，问同一条改写后的 prompt，看输出是不是稳定有具体引用 + 页码。
把回答里的某条 quote 在 PDF 里 Ctrl+F 找——找不到就是模型在编。
让同事跑一遍同一 prompt，确认深度来自 prompt 结构，不是你的会话状态。

如果还是没修好

把文件切到最小：只保留有数据的那 5 页，再问同一题。
换格式：PDF→Markdown、xlsx→csv，排除是不是抽取层的锅。
换模型：4o → o3 / GPT-5；reasoning 模型对结构化 prompt 综合更深。
准备好原文件 + prompt + 模型截图，去 help.openai.com 提工单。

预防建议

自己整一个”深度分析模板”：列出 / 抽取 / 对比 / 引用 / 反驳——固定 5 段。
每个 prompt 末尾固定加一行 “Quote with page numbers; no inference without quote.”
否定指令一律重写成肯定指令。
反复分析的同类文件做成 Custom GPT，把深度要求烤进 instructions。
拿到浅答案不要直接重问，先追问”你跳过了什么”。