“总结一下这份 PDF” 是多数人第一个想到的 prompt，也是最不可能给你有用结果的那个。换回来的是 5 段听着挺像那么回事的转述：没有数字、没有引用，你也无从判断模型到底读了什么。这套工作流反过来：问窄问题、要求带页码的原文引用、把长文档变成一张你能逐行核对的表。它面向每周读两份以上长文件的分析师、研究员和运营——也就是一旦报告里混进一个编造的数字就会被坑的那群人。
一句话总结
- 永远别开局”总结一下”，要从某一节或某一列出发问具体问题。
- 强制引用：“每个数字都引用原句，并标明页码或行号。”
- 表格走 Advanced Data Analysis（Plus、Pro、Team、Enterprise 上跑真 Python），不要让聊天模型靠猜。
- 信任之前，至少抽查 3 处引用或单元格，回原文核对。
- 同一份文件要反复查？放进 Project，别每次重传、白烧 context。
它能帮上忙的地方，和帮不上的地方
这套流程适合抽取结构化数据、比对两三个文件、或在长报告里找一个具体答案。它不适合处理你无权上传到 OpenAI 的敏感个人或专有数据；当数据集有几十万行时，它也代替不了 SQL 或 notebook。比表格更大的数据，最好让 ChatGPT 帮你写查询语句，而不是让它直接跑分析。
你必须遵守的文件限制（截至 2026 年 6 月）
绝大多数”ChatGPT 把我文档读丢了一半”的抱怨，根子都在一条没人去看的限制上。当前各项上限：
| 限制项 | 上限（2026 年 6 月） | 说明 |
|---|---|---|
| 单文件最大体积 | 512 MB | 所有类型的硬上限 |
| 文本／文档 token 上限 | 单文件 200 万 token | 适用于 PDF、Word、幻灯片，不含表格 |
| CSV／表格大小 | 约 50 MB | 不受 token 上限约束；行宽会影响 |
| 图片上传 | 单张 20 MB | 扫描页 OCR 也走这条 |
| 每 3 小时上传数（Plus） | 80 个文件 | Free 约 3 个/天；Pro 基本不限 |
| 单条消息同时上传 | 10 个 | 记得编号，模型才不会猜哪个是哪个 |
| Project 文件存储 | Free 5 个 / Plus 25 个 | Enterprise、Pro 更高；共享 25 GB/人 上限 |
应用内的 context 窗口比多数人以为的更关键。在 Plus 上，GPT-5.5 单次对话能读约 320 页文本；完整的 100 万 token 窗口只有 200 美元的 Pro 档才有。一份 60 页的报告放得很轻松；一份 600 页的合同放不下，模型只会拿它检索到的那一段碎片硬答。
七步工作流
- 先自己扫一眼。 记下章节名和你到底想要什么。这两分钟能省掉后面十分钟追查幻觉。
- 上传时附一个具体问题，绝不”总结一下”。 试试：“第 3 节写的转化率是多少？样本量多少？”
- 每条结论都要引用。 用一句固定话术：“每个数字都引用原句并标明页码。“答不出引用，就把这个数字当成虚构。
- 让表格先自我描述。 分析前先问”列出列名、数据类型和行数”，确认文件被完整解析了。
- 多文件比对要编号。 一条消息一起传：“文件 1 vs 文件 2——找出差异最大的 5 个指标，各带数字和页码。”
- 导出一张核对表。 要它输出 Markdown 或 CSV 列：
结论 | 来源页 | 我的判断。这张表才是你要留下的东西，不是聊天记录。 - 把好用的 prompt 存成模板。 文件类任务大多就三四个常见 pattern，别一遍遍重打。
实操案例：一份 60 页的市场报告
先上传 PDF，第一步要它给出目录——这能确认整份文件解析到位。然后一节一节深入，别一次性把问题全抛出去；context 越窄，检索越准。每条数字都回头追问：“引用这句话，给页码。“最后导出 结论 | 来源页 | 我的判断 这张表，挑 3 个数字回原 PDF 核对。如果”第 41 页”的引用对应到了错的句子，说明模型检索失准，其它数字也都得打个问号。
表格：用 Advanced Data Analysis，别用聊天模型
任何超过几千行的表格，都打开 Advanced Data Analysis（改名后的 Code Interpreter，在 Plus、Pro、Team、Enterprise 上可用）。它在沙箱里写并运行真 Python 和 pandas，而不是对着文本去推理。点 View analysis 看实际代码——pandas 逻辑错了，答案就是错的，而你能精确看到错在哪。让它输出清洗后的 CSV 或图表，而不是一段文字总结；文件能验证，“感觉对”没法验证。
会导致错误答案的常见坑
- 相信无来源的数字。 一定回去要原句和页码，没引用的数字就是猜的。
- 一口气丢 10 个文件再含糊提问。 模型会搞混哪个文件写了啥，记得编号或两两比对。
- 没解析完就开始分析。 长 PDF 会被静默截断，先确认目录或行数。
- 表格输出直接当最终结果。 抽查几个单元格，看看 View analysis 里的 Python。
- 开局”总结一下”。 总结把一切平均掉，具体问题才能挑出关键。
- 每次对话都重传同一份文件。 放进 Project 一次，跨对话反复查。
FAQ
- ChatGPT 真的读完整份文件吗？: 不一定一次读完。它会把长文件切块，按问题检索最相关的部分，所以章节可能被静默跳过——尤其超过应用内 context 上限（Plus 约 320 页文本）之后。用针对具体章节的问题反复验证，别信一个宽泛的答案。
- 文件分析用 Free、Plus 还是 Pro？: Free 太紧——一天约 3 次上传，且没有 Advanced Data Analysis。Plus（20 美元/月）是实际起步线：每 3 小时 80 次上传、有 Advanced Data Analysis、PDF 解析也更稳。Pro（200 美元/月）只有当你要处理超过约 320 页的文档、需要完整 100 万 token 窗口时才值得。
- 扫描版 PDF 行不行？: 一半一半。ChatGPT 会 OCR，但表格和脚注的精度会明显下降。关键的扫描数字，把那一页当图片传（20 MB 上限），再回原文核对。
- 能用链接分析 Google Doc 吗？: 不能。模型走不通需要登录鉴权的 URL，导出 PDF 或粘贴文本即可。SharePoint、Notion 链接大多也一样。
- 为什么提示我达到上传上限？: Plus 是每滚动 3 小时 80 个文件，Free 约每天 3 个。计数按时间窗算，等一等或把文件合并即可。Project 存储是另算的（Free 5 个，Plus 25 个）。