企业官网建设流程全解析

简介：这份资源是一份人工智能主题的读书报告文档，面向计算机、自动化、电子信息等专业的学生，以及希望系统梳理人工智能学科脉络的自学者与考研复习者，可用于课程作业参考、读书笔记整理与知识框架搭建。文档围绕三条主线展开：一是从亚里士多德的形式逻辑、培根的归纳法、莱布尼茨的数理逻辑，到图灵机与图灵试验，梳理人工智能的思想源流；二是介绍逻辑法与搜索法两大基本方法，以及归结原理、语义网络、专家系统、反向传播算法等关键节点；三是归纳人工智能在符号计算、模式识别、机器翻译、数据挖掘等方向的应用，并谈及我国专家系统与类人机器人的研究进展。压缩包内为单个 docx 文件，体积约 19KB，篇幅紧凑、结构清晰，按发展史、发展方向、应用领域分章组织，便于快速通读或摘取要点。该资源已有 308 人学习，适合作为入门阶段建立整体认知的轻量读物。

1. 一本 30 万字的书丢进对话框，为什么大多只回你一份正确的废话

把一本 30 万字的书丢进对话框，让它出一份人工智能读书报告，十次里有九次你会拿到一篇挑不出错、也记不住一句话的东西：结构工整、语气得体、观点全是"本书深刻揭示了……"。问题不在模型笨，而在于你把"读完整本书"和"写一份可核对的报告"这两件完全不同的事，压进了同一次调用里。

人工智能读书报告真正难的环节不在写作，而在前面三步：把书拆成可定位的章节树，让每条结论都带着页码出处，最后只做归并与取舍。这份活更像数据管线，不像写作。下面按我实际搭过的那条路子讲：解析怎么选、章节树怎么重建、切块参数怎么定、成本怎么算，以及五个我翻过车的具体位置。

2. 拆书：把一本 PDF 变成带章节树的文本块

报告质量的上限在解析阶段就被定死了。很多人一上来就调提示词，最后发现报告里 80% 的错——页码错位、章节名张冠李戴、把图注当作者观点——根子都在解析。一本书进模型之前，它在你眼里不该是一坨字符串，而应该是一条(chapter_path, page_no, text)的三元组流，顺序稳定、页码可追、层级清楚。

2.1 解析选型：为什么先做版面还原再谈摘要

三条常见路径拿到的产物完全不同，选错了后面全是补丁。

只要报告里要出现"第 213 页"这种字样，就必须走版面分析。原因很实在：页码不是模型生成的，是你从坐标里带出来的。纯文本抽取把页面拍平之后，"这句话在哪一页"这个信息永久丢失，后面无论怎么问模型都只能瞎猜——这就是最典型的黑匣子，你连排查都无从下手。

另外两个细节决定后面的返工量。第一，双栏排版必须按 x 坐标先分栏再排序，否则左右栏会交替串行，读起来像乱码，模型会把它当成一段莫名其妙的论证。第二，图表说明（caption）要单独打标保留，别混进正文段落。图注常常是全书最凝练的结论句，模型特别爱把它当作作者的正式主张引出来，但图注往往带"数据来源：作者整理"这种尾巴，混进正文就成了硬伤。

解析产物我一般要求满足三个硬指标：每行带 y 坐标与字号、每个文本块带页码、每个块能挂到一个章节路径上。前两个靠解析库，第三个靠下一节的重建。

2.2 章节树重建：用字号聚类和页码偏置对齐目录

最省事的做法是直接读 PDF 自带的书签（outline）。但真实书里大概一半没有书签，另一半书签是排版软件自动生成的"第 1 章 / 1.1 / 1.1.1"这种没有语义的层级。所以我一般两条腿走：有书签用书签校验，没书签就自己从版面里重建。

重建的核心观察是：正文里标题行的字号一定大于正文，而且同一级标题的字号高度一致。把全书出现频次高于 5 次、且字号排在前 15% 的行抽出来，按字号降序聚成 2~3 个簇，大致就对应章、节、小节三级。再配合目录页给出的标题文本做字符串匹配，能把层级钉死。

这里有个坑，第一次做的人几乎都踩：目录页写的页码是"书内页码"，和 PDF 的物理页序差一个偏置。前言、版权页、序常用罗马数字单独编号，导致正文第 1 页在 PDF 里可能是第 13 页。偏置不能用固定值，要在正文里找三五个目录标题，算出各自的物理页 - 目录页，取众数。

import re from collections import Counter import pdfplumber HEADER_RATIO = 0.6 # 同一行文本跨页出现比例超过它，判为页眉页脚 LINE_TOL = 3 # 同一行的 y 坐标容差，单位 pt SIZE_TOL = 0.5 # 字号聚类容差，单位 pt def page_lines(page): """把一页的字符按 y 坐标聚成行，同时保留该行的主字号。""" words = page.extract_words(extra_attrs=["size"]) rows = {} for w in words: rows.setdefault(round(w["top"] / LINE_TOL), []).append(w) lines = [] for key in sorted(rows): ws = sorted(rows[key], key=lambda x: x["x0"]) text = "".join(x["text"] for x in ws) # 中文不按空格拼接 size = Counter(round(x["size"] / SIZE_TOL) for x in ws).most_common(1)[0][0] lines.append({"y": key * LINE_TOL, "text": text, "size": size * SIZE_TOL}) return lines def drop_running_heads(doc): """统计每行文本的跨页出现频率，页面上下边缘的高频行判为页眉页脚。""" freq = Counter() for page in doc.pages: for ln in page_lines(page): if ln["y"] < page.height * 0.08 or ln["y"] > page.height * 0.92: freq[re.sub(r"\d+", "#", ln["text"])] += 1 # 页码归一化后再统计 n = max(len(doc.pages), 1) return {t for t, c in freq.items() if c / n >= HEADER_RATIO} def build_outline(doc, toc_entries, banned): """toc_entries 来自目录页解析，形如 [(title, printed_page)]；返回带物理页的章节树。""" offsets = [] for title, printed in toc_entries: for i, page in enumerate(doc.pages, start=1): hit = any(title[:8] in ln["text"] for ln in page_lines(page) if ln["text"] not in banned) if hit: offsets.append(i - printed) break offset = Counter(offsets).most_common(1)[0][0] if offsets else 0 return [{"title": t, "page": p + offset} for t, p in toc_entries]

这段代码做成三件事。page_lines把字符聚成行，LINE_TOL=3是因为 PDF 里同一行的字符 top 值常有 1~2pt 抖动，容差设太小会把一行拆成两行，设太大又会把相邻两行粘一起；中文正文行距一般在 12~20pt，3pt 是个安全值。drop_running_heads用"跨页出现频率"识别页眉页脚，HEADER_RATIO=0.6的意思是全书 60% 以上的页面都出现同一行文本，那基本就是书名或章名跑到了页眉；把数字归一化成#是为了让"第 12 页"和"第 13 页"算作同一行。build_outline里的 offset 取众数而不是均值，因为只要有一本书目录标题和正文标题措辞不完全一致（比如正文多了个副标题），匹配就会偏，众数能把这种离群值挡掉。

提示：跑完这一步先别急着往下走，抽 3 个章节打印"标题 + 物理页 + 该页前 50 字"，肉眼核对一遍。这一步花两分钟，能省掉后面两小时的重跑。

2.3 切块参数：800 字/块与 15% 重叠怎么定

切块大小由三个约束夹出来：单次调用的上下文余量、摘要的粒度、单个块内论点的完整性。我的默认值是每块 800 汉字、重叠 15%（约 120 字），长句多、术语密的学术书降到 600 字，叙述性强的传记类可以放到 1200 字。

为什么不切更大？块越大，模型越容易在块内做过度归纳，把三段不同的论证揉成一句正确的废话，你连它漏了哪段都看不出来。为什么不切更小？块小到只剩两三句时，代词指代丢失，"这一观点"到底是哪个观点，模型只能编。15% 的重叠是为了防止一个完整论证被切在边界上，代价是约 15% 的重复 token 消耗——这个代价我认为值得付。

切的时候按章节边界优先，章节内部再滑窗。一章不足 800 字就整章一块，别硬拆——一章一块能让章节摘要天然对齐，后面归并省事很多。

def split_by_headings(sections, max_chars=800, overlap=0.15): """sections: [{'path': '第3章/3.2', 'text': '...', 'page': 87}]""" blocks = [] for sec in sections: text = sec["text"].strip() if len(text) <= max_chars: blocks.append({**sec, "part": 0}) continue step = int(max_chars * (1 - overlap)) # 滑动步长 start, part = 0, 0 while start < len(text): piece = text[start:start + max_chars] blocks.append({"path": sec["path"], "page": sec["page"], "part": part, "text": piece, "head": part == 0}) # 首块继承章节标题 if start + max_chars >= len(text): break start += step part += 1 return blocks

step是滑动步长，max_chars × (1 - overlap)= 680，相邻两块重叠 120 字。head标记首块，用来在提示词里带上章节路径；非首块只带"第 3 章 3.2 的第 2 段"这种弱定位，避免模型把每个块都当成一个新章节重新开头。

切片完成后，每个块要带四个字段：path、page、part、text。page是块的起始页，块跨页时按字符比例估算——这一点要提前想清楚，因为报告里的页码引用全靠它，估算误差一般在 ±1 页，够用。如果接受不了这个误差，就在解析阶段把字符级的页码一起存下来，切片时按偏移量映射，代价是索引文件大概翻三倍。

3. 报告骨架：先定结构再喂模型，别让它自由发挥

自由发挥是报告废掉的第二大成因。你给一句"写一份读书报告"，模型会给你一篇有开头有结尾有升华的散文，看着像样，但你没法比较两本书的报告，也没法批量生产。正确做法是先定死骨架，把"写什么"从模型手里拿走，只留"怎么写"给它。

3.1 六个固定字段：把报告结构写成 JSON Schema

我用的骨架是六段：书目信息、一句话主旨、章节地图、核心论点与证据、关键概念表、立场与局限。这六段的设计原则是可核对——每一段都必须能指向原文的某个位置，凡是不能指向原文的段落，就是模型在自由发挥。

书目信息给书名、作者、版次、页数这类硬字段，全部从解析结果里取，不允许模型生成。一句话主旨限 60 字以内，逼模型做取舍。章节地图是一张表，每章一行：章节名、页码范围、该章主张一句话。核心论点与证据是主体，每条论点后面必须跟一到两条证据，证据格式固定为"原文摘句（第 N 页）"。关键概念表处理术语，原文里出现的术语给中文译名和书内定义。立场与局限是唯一允许模型判断的段落，但要它标明哪些是书里的、哪些是自己的推断。

用 JSON Schema 约束比在提示词里写"请输出 JSON"可靠得多。前者是硬约束，后者是劝告。

{ "type": "object", "required": ["meta", "thesis", "chapter_map", "arguments", "concepts", "limits"], "properties": { "meta": { "type": "object", "required": ["title", "author", "pages"], "properties": { "title": {"type": "string"}, "author": {"type": "string"}, "edition": {"type": "string"}, "pages": {"type": "integer"} } }, "thesis": {"type": "string", "maxLength": 60}, "chapter_map": { "type": "array", "minItems": 3, "items": {"type": "object", "required": ["name", "page_range", "claim"], "properties": {"name": {"type": "string"}, "page_range": {"type": "string"}, "claim": {"type": "string", "maxLength": 50}}} }, "arguments": { "type": "array", "minItems": 3, "maxItems": 12, "items": {"type": "object", "required": ["point", "evidences"], "properties": { "point": {"type": "string"}, "evidences": {"type": "array", "minItems": 1, "items": {"type": "object", "required": ["quote", "page"], "properties": {"quote": {"type": "string", "maxLength": 120}, "page": {"type": "integer"}}}}}} }, "concepts": {"type": "array", "items": {"type": "object", "required": ["term", "definition"], "properties": {"term": {"type": "string"}, "definition": {"type": "string", "maxLength": 80}}}}, "limits": {"type": "string"} } }

几个约束是刻意的。thesis限 60 字、claim限 50 字，是因为长度一放开，模型立刻滑向"本书系统论述了……的重要意义"这种能套在任何书上的句子。arguments限 3 到 12 条，上限逼它排序而不是罗列，下限防止它偷懒只写两条。evidences里quote限 120 字、必须带整数page，这是整份报告的锚点：没有页码的论点在渲染阶段会被直接丢掉。

注意：Schema 约束的是形状，不是正确性。字段齐全、格式合规、内容全是编的报告一样能通过校验。页码的真实性得靠下一节的抽取式流程来保证。

3.2 抽取式先行：先定位原句，再让模型改写

生成式流程最容易出的问题是"引用看起来对，书里根本没有"。我现在的做法是两段式：第一遍只做抽取，让模型从块里挑出关键句并原样返回，同时给出页码；第二遍才做归纳，让模型在给定的句子集合里做聚类和改写。第一遍的输出是原文的副本，第二遍的输出才是文字。

这样做的直接好处是幻觉被压在第一道关口。第一遍模型拿到的是一块 800 字的原文，任务只有"挑出 2~4 句最能代表本块主张的话，原样复制"，这个任务的幻觉空间很小，即使挑错了，错的也是选句而不是编句。第二遍模型看到的是带页码的句子列表，它的任务是合并同类项和压缩，不接触原文，也就没机会篡改。

第二遍的提示词里我一般写三条硬规则：不得引入列表之外的信息；同一论点合并时保留页码最小的那条证据；两条证据页码相差超过 40 页且主张不同时，拆成两条论点分别写。最后一条是防"跨章缝合"，模型特别爱把第 2 章的观点和第 9 章的观点合成一句看起来很深刻的判断，实际上作者前后是改过立场的。

代价是调用次数翻倍。一本 30 万字的书按 800 字一块，约 375 块，抽取一遍 375 次调用，归纳一遍按章节归并约 30 次，再全书归并一次。总调用量 400 出头。这个量级用并发放到 6 路，跑完大概十几分钟到半小时，取决于你手上的接口速度。我评估过把前两遍合成一遍的做法——省一半调用，但引用准确率会掉到七成左右，不划算。

3.3 长上下文直投与 Map-Reduce 的成本账

很多人第一反应是"现在上下文窗口这么大，整本书塞进去不就行了"。30 万字中文按 1.5 字/token 粗算约 20 万 token，确实塞得下。但要算三笔账。

第一笔是钱。整本直投的输入 token 是块级切分的 1 倍（切分有 15% 重叠，实际是 1.15 倍左右），看起来更省。但输出质量要求高时你会重跑，重跑一次就是 20 万 token；块级切分有缓存，改一段提示词只影响未命中的块，实际重跑成本可能只有原来的 1/10。

第二笔是延迟与失败面。单次 20 万 token 的调用，首字延迟经常到几十秒，中途失败就全废；块级切分失败只丢一块，重试成本几乎为零。

第三笔是可控性，也是最关键的一笔。整本直投时，模型对全书的注意力分布是不均匀的，靠后的章节容易被压缩，你没法定位是哪一段出的问题。块级切分下，每一块都有独立的中间产物，哪块摘要写歪了，改那一块重跑就行。

我的实际选择是混合：10 万字以内的书直接整本投，配一次结构校验；超过 15 万字一律走块级。分界线不是拍脑袋，是试出来的——12 万字上下时两种方案的报告质量肉眼已经分不出差别，那就选便宜的那个。

4. 全流程跑通：一条能断点续跑的最小管线

前面三章讲的是设计，这一章是可以直接跑的东西。整条管线的目标很朴素：给一个 PDF 路径，输出一份带页码引用的 Markdown 报告，中途断掉能接着跑。

4.1 目录结构与依赖

整条管线我拆成五个文件，每个文件职责单一，出问题好定位。

依赖装起来不多，流派上尽量选纯 Python 的，省得在不同机器上编译。

python -m venv .venv source .venv/bin/activate # Windows 用 .venv\Scripts\activate pip install pdfplumber jinja2 tenacity tqdm

pdfplumber负责版面，jinja2负责渲染模板，tenacity负责重试退避，tqdm只为了看进度条。模型调用层自己写一个薄封装，不绑定任何具体厂商，换接口只改一个函数。

4.2 调度层：并发、重试与断点缓存

这一层做的事看着无聊，但它决定了你一天能跑几本书。三个必做项：并发控到 6 路以内、失败按指数退避重试、每块结果落盘做缓存。

import hashlib, json, os, threading, time from concurrent.futures import ThreadPoolExecutor, as_completed CACHE_DIR = ".cache" PROMPT_VERSION = "v3" # 改动提示词必须同步改这里 MODEL_NAME = "your-model" # 换模型也要改，否则会读到旧缓存 MAX_WORKERS = 6 _lock = threading.Lock() def block_key(block): """缓存键 = 块内容 + 提示词版本 + 模型名，三者任一变化都必须重算。""" raw = f"{PROMPT_VERSION}|{MODEL_NAME}|{block['text']}" return hashlib.sha1(raw.encode("utf-8")).hexdigest()[:16] def cached_call(block, prompt_builder, call_model): key = block_key(block) path = os.path.join(CACHE_DIR, key + ".json") if os.path.exists(path): with open(path, encoding="utf-8") as f: return json.load(f) prompt = prompt_builder(block) result = call_model(prompt) # 内部用 tenacity 做 4 次指数退避重试 tmp = path + ".tmp" with open(tmp, "w", encoding="utf-8") as f: json.dump(result, f, ensure_ascii=False) os.replace(tmp, path) # 原子写，防止并发写坏文件 return result def run_all(blocks, prompt_builder, call_model): out = [] with ThreadPoolExecutor(max_workers=MAX_WORKERS) as pool: futures = {pool.submit(cached_call, b, prompt_builder, call_model): b for b in blocks} for fut in as_completed(futures): out.append(fut.result()) return out

block_key里拼进PROMPT_VERSION和MODEL_NAME是血泪经验：只按文本内容做键，改完提示词之后你会发现结果一点变化都没有，查半天才想起来缓存命中——这是我最想要的一颗后悔药。MAX_WORKERS=6不是拍脑袋，多数接口在 8 路以上开始出现限流和超时，6 路是个稳定点，本地小模型视显存降到 1~2 路。

os.replace做原子写入，是因为并发场景下直接写目标文件有概率写出半截 JSON，下次读到就崩。用临时文件 + 重命名，写入要么完整要么不存在。缓存按块存的好处是重跑时只补未命中的部分，一本书改一个字段，实际调用量可能只有个位数。

4.3 两次归并：章节级先合，全书级再合

归并不能一次性做完。375 个块的关键句直接喂给模型让它写全书报告，等于又回到"一次调用压缩一切"的老路。我的做法是两次归并，第一次按章节合并，第二次按全书合并。

def merge_chapter(chapter_path, quotes, call_model): """章节级归并：只输入本章的抽取句，输出本章论点列表。""" payload = [{"quote": q["quote"], "page": q["page"]} for q in quotes if q["path"] == chapter_path] prompt = ( "下面是同一章节的原文摘句，每句带页码。\n" "任务：合并为不超过 5 条论点，每条论点附 1~2 条证据。\n" "规则：不得引入列表之外的信息；证据页码必须来自输入；\n" "两条证据页码相差超过 40 页且主张不同时，拆成两条。\n\n" + json.dumps(payload, ensure_ascii=False) ) return call_model(prompt, schema="chapter_arguments") def merge_book(chapter_results, meta, call_model): """全书级归并：只输入章节论点，不接触原文。""" prompt = ( "下面是一本书各章节的论点列表（已带页码）。\n" "任务：输出全书主旨（60 字内）、核心论点 3~12 条、关键概念表。\n" "规则：跨章合并时必须确认主张一致；冲突的主张在 limits 里点明。\n\n" + json.dumps(chapter_results, ensure_ascii=False) + "\n书目信息（不得改写）：" + json.dumps(meta, ensure_ascii=False) ) return call_model(prompt, schema="book_report")

关键在于第二次归并的输入是"章节论点"而不是原文。这样做的好处有两个：输入量从 23 万 token 压到几千，成本可以忽略；模型的注意力集中在论点之间的冲突上，而不是埋在原文细节里。

merge_chapter里那句"两条证据页码相差超过 40 页且主张不同时拆开"是硬规则，不是建议。写作者在书里改立场是常事，序言里说 A，第九章结论是 B，模型把它们合成一条就成了"作者既 A 又 B"，读起来像在说废话，实际上是缝合出来的。

merge_book里把meta单独传进去并注明"不得改写"，是因为书名作者这类字段一旦让模型经手，它就会顺手把副标题补全、把译者写成作者，而且补得特别像真的。

4.4 渲染：Markdown 模板与页码回填

渲染阶段要做两件事：套模板，以及把没有页码的论点丢掉。第二步比第一步重要。

import re from jinja2 import Template TEMPLATE = Template("""# {{ meta.title }} 读书报告 - 作者：{{ meta.author }} 版次：{{ meta.edition }} 页数：{{ meta.pages }} - 一句话主旨：{{ thesis }} ## 章节地图 | 章节 | 页码 | 该章主张 | | --- | --- | --- | {% for c in chapter_map -%} | {{ c.name }} | {{ c.page_range }} | {{ c.claim }} | {% endfor %} ## 核心论点与证据 {% for a in arguments -%} ### {{ loop.index }}. {{ a.point }} {% for e in a.evidences -%} > {{ e.quote }}（第 {{ e.page }} 页） {% endfor %} {% endfor %} ## 关键概念 | 术语 | 书内定义 | | --- | --- | {% for c in concepts -%} | {{ c.term }} | {{ c.definition }} | {% endfor %} ## 立场与局限 {{ limits }} """) def render(report, page_max): """渲染前做一次硬过滤：页码越界或缺失的论点直接剔除。""" kept, dropped = [], 0 for a in report["arguments"]: evs = [e for e in a["evidences"] if isinstance(e.get("page"), int) and 1 <= e["page"] <= page_max] if evs: kept.append({**a, "evidences": evs}) else: dropped += 1 report["arguments"] = kept md = TEMPLATE.render(**report) return re.sub(r"\n{3,}", "\n\n", md), dropped # 压掉多余空行

page_max是全书物理页数，用来做越界检查。这个检查拦掉的量比想象中大：第一版跑出来，375 个块里有十几个块的页码超出了总页数，原因是偏置算错。dropped计数要打出来，正常情况下应该在 5% 以内，超过 10% 说明抽取阶段出了问题，得回头看extract.py。

re.sub(r"\n{3,}", "\n\n", md)是排版修正。模板里{% for %}加-控制空白之后仍会留空行，压一下输出更干净。这一步纯属体面，但对最终成品的观感影响不小。

5. 排查清单：AI 读书报告最容易翻车的五个位置

跑过十几本书之后，我把所有问题归了归类，发现 90% 的返工集中在五个位置。下面每一条都按"现象、原因、解决"写，你照着对号入座就行。

5.1 页码全部整体偏移

现象：报告里所有页码都比实际位置少 13 页或者多 3 页，而且偏差一致，不是随机错。

原因：目录页页码与物理页序的偏置算错了。最常见的两种触发：书前有罗马数字编号的序言；目录跨两页，第二页的标题被当成了正文标题参与匹配。整体偏移说明这不是模型问题，是解析问题。

解决：把build_outline里的 offset 计算改成打印全部候选值而不是只取众数，人工看一眼分布。如果候选值分散在两三个簇上，说明目录条目匹配本身有问题，改用"标题文本 + 字号"双条件匹配。另外在render里加一道page_max越界过滤，至少能拦住明显不合理的页码。

5.2 相邻章节的结论互相打架

现象：第 4 章说"作者主张渐进改革"，第 5 章说"作者否定渐进路径"，两段都带页码，查原文发现两边都对，作者确实在中间转了向。

原因：章节级归并是并行的，各章之间不通信，模型只看得到自己那一章的句子。等你把章节结果全书归并时，为了压到 12 条以内，它会把两条看起来相近的合并，立场差异就被抹平了。

解决：在merge_book的提示词里显式要求输出"立场变化"字段，允许它写"作者在第 4 章持 A，第 6 章转向 B"。别怕报告变长，这种转折恰恰是读书报告最有价值的部分。同时给归并加一条规则：页码跨度超过全书的 1/3 且主张相反的，不许合并，必须在limits里点明。

5.3 结构化输出在 80% 处截断成半截 JSON

现象：报错"unexpected end of JSON"，或者解析出来arguments只有两条。日志里看原始返回，最后一行是断的。

原因：输出 token 上限撞到了。论点一多，模型每条证据都写得很长，很容易超出你设的上限。另一种情况是并发太高，接口侧做了截断。

解决：把max_tokens设到预期的 1.5 倍，同时在提示词里明确"每条论点最多两条证据、每句摘录不超过 120 字"。解析层加一层容错：先尝试json.loads，失败就截到最后一个完整的}再试一次，仍然失败才判为异常重跑。这一层容错能把失败率从百分之几压到千分之几。

5.4 书名、作者、译者被模型"脑补"

现象：报告开头的书目信息里，作者名多了个中间名，译者被写成了作者，或者副标题被补全成了一句通顺但原文没有的话。

原因：你把书目信息也交给模型生成了。模型见过大量同类书的版式，它会按概率补全,补得特别像真的——这是最隐蔽的一类翻车。

解决：书目信息一律从解析结果里取，取不到就留空写"未识别"，绝不交给模型。在merge_book的提示词里明确"书目信息不得改写"。渲染阶段不要做任何"美化"处理，宁可留一个空格子，也不要一个漂亮但错的字段。

5.5 长篇书后半段质量明显塌陷

现象：前 5 章的论点具体、有细节，后 5 章的观点开始空泛，全是"进一步深化了……"。

原因：一是全书归并时章节论点按顺序塞进去，越靠后的越容易被压缩；二是抽取阶段后半部分的块摘要质量本来就低，如果提示词里给了示例，示例往往来自前几章，风格引导有偏。

解决：全书归并时不按章节顺序平铺，改成按"论点密度"排序——每章抽出的关键句数量除以篇幅，密度高的排前面。另外在提示词里加一句"每一章至少保留一条论点"，强制覆盖。跑完之后对比各章的论点条数，如果末几章明显偏少，基本可以确认是这个问题。

6. 收尾这一步：用反向提问给报告打分

报告生成完不算完。我现在固定加一道校验：从终稿里抽 20 条带页码的断言，逐条回原文核对，命中率低于 80% 就打回重跑对应章节。

具体做法是把断言拆成(论点, 页码, 摘句)三元组，回到blocks.jsonl里找到该页附近的原文块，让模型做一个二选一的判断：摘句是否真实存在于该块中、论点是否被摘句支持。两个都为是算命中，任一为否算未命中。这一步的调用量只有 20 次，成本可以忽略，但它能拦住绝大部分页码错位和引文篡改。

如果不想引入额外调用，也可以做纯字符串匹配的粗筛：摘句去掉标点后在该页原文里的命中率低于 70%，直接标红。这个方法会漏掉同义改写的情况，但对"整句编造"这类问题非常敏感，做第一道筛子够用。

还有一个更省事的技巧：先拿 20 页的样本跑通全流程，再放开整本。我现在的习惯是任何一本新书都先切出前 20 页加目录，走一遍解析、抽取、归并、渲染，确认页码对得上、章节树没歪，再放开跑全书。这个习惯是踩了几次"跑了四十分钟发现偏置错了"之后养成的，希望帮到你。

本文还有配套的精品资源，点击获取