这篇讲什么
大多数”帮我总结这份 PDF”的 prompt 拿回来的都是糊成一片的概述，恰好把你真正想要的那部分丢了。问题不在模型，在于一次喂太满。下面这套分层提问方法，先逼它产出结构，再做压缩，质量提升明显。适合研究、分析、学生群体，常常要面对 20-200 页有真文字层的 PDF（不是扫描件），希望用 5 分钟挑出关键的 10 句话。
这篇适合谁看
每天要扫好几份 PDF 的人：一天读三篇论文的研究生、要在 10 分钟内判断”全读 / 略读 / 跳过”的并购分析师、开会前快速消化白皮书的政策研究者。如果你的 PDF 是图片扫描件，先 OCR——ChatGPT 要么静默拒绝，要么开始编页码。
什么时候适合用
- 20-200 页、有文字层的 PDF——短到能一次塞进去，长到值得做结构。
- 后续需要回引”第几页第几节”的文档。
- 三选一时间窗（全读 / 略读 / 跳过）只有 10 分钟。
- 两份相关 PDF 对比（监管文件、同主题白皮书）。
不适合：数学密集的论文（LLM 转述公式很危险）、字面措辞极关键的法律合同、漏掉一条就要赔钱的场景。
开始前准备
- 确认 PDF 有文字层：随便选中一句复制看看，复制不出来就先 OCR。
- 想清楚真正要什么：高管摘要、章节地图、还是找某个具体说法——三种 prompt 不一样。
- 同时打开一个笔记文件。模型的总结是耗材，你抠出来带页码的引语才是产出。
- 敏感文档（NDA、内部财务）用 Team 或 Enterprise 工作区，对话不会进训练集。
具体步骤
-
上传 PDF，先要结构大纲：
给出这份 PDF 的结构大纲：章节、小节标题、页码范围。 先不要解读。 -
看大纲。带封面 / 目录的 PDF 经常把页码偏移，要先告诉它”PDF 第 1 页 = 正文第 X 页”。
-
一章一章问，不要让它一次出大总结：
总结第 3 章（第 24-41 页），5 条 bullet。 每条必须带页码。 每条附一句原文直接引语，用引号标出。 -
章节都拿完之后，再让它基于已生成的章节摘要写一页执行摘要。这种分层方法在我跑过的所有 PDF 上都稳赢一次性总结。
-
最后追一句：“执行摘要里你删掉了哪些重要论点或数字？认真读的人会注意到。“这一步能逼出来它本来想藏的东西。
好用的 prompt 模板
你在为一个只有 5 分钟时间的 {读者} 总结一份 {文档类型}。
输出：
- 3 句 TL;DR
- 5 个核心论点 + 页码
- 3 个值得记住的数字 + 页码
- 2 个读者应该向作者追问的问题发送前把占位符替换成实际的文档类型和读者。
完成后检查
- 打开 PDF，随机挑两个引用页码核对。错一处就把整份总结当不可信处理。
- 数字一定要核——LLM 编数字比编名词频繁。最终简报里的百分比、金额，你必须亲眼在原文看过。
- 问一句：“这份文档里有没有作者自相矛盾的地方？“真文档基本都有；找不出来说明它读得太浅。
怎么复用这套流程
- 把”先大纲、再分章”这套 prompt 存成模板。换 PDF 时主要改文档类型和读者。
- 按领域维护小型术语表（法律术语、医学缩写、内部代号），喂给系统上下文，准确度立刻提升。
- 周期性文档（季报、周报）可以把上期总结留在对话里当 diff 锚点。
建议的操作流程
上传 → 大纲 → 校验页码偏移 → 带页码的分章摘要 → 一页执行摘要 → “你跳过了什么”追问 → 人工核对引用数字。
容易踩的坑
- “把这份 200 页 PDF 用 3 条总结”——拿回的是 3 条没有锚点的废话。
- 跳过大纲直接要执行摘要——模型把文档的真实结构丢了。
- 看到页码就信——页码是 PDF 摘要里被幻觉得最多的字段。
- 上传扫描件不做 OCR——ChatGPT 会基于文件名和可见 metadata 编内容。
- 把 200 页文本贴进对话框而不是当文件上传——丢掉了 PDF 解析器，还浪费 token。
- 一个对话里塞 5 份不同 PDF——上下文串味，最后总结混在一起。
FAQ
- 为什么它引”第 47 页”，但根本没有 47 页？: 模型经常把封面和目录页一起算了。一开始就告诉它”PDF 第 1 页 = 正文第 X 页”。
- 页数上限多少？: Plus 实际能跑到约 300 页；超过 150 页质量明显下滑，即使它接受上传。建议拆成卷。
- 是不是 Claude 或 NotebookLM 更合适？: NotebookLM 在引用密集型任务更强；Claude 长 context 更稳；迭代式分章问答 ChatGPT 体验最好。
- 付费 PDF 能传吗？: 技术上可以，但要看授权。很多出版商禁止把正文喂给第三方模型。