长文档处理时，截断和分段是两条路：截断简单但会丢失文档中间部分的内容，分段虽然要多轮请求，却能保留完整信息。Grok 4.5这类模型在单次请求中能接受的内容长度有上限，超过限制后，不能指望自动保留重点。处理前应该先确认当前环境的上下文上限，再把文档切成多个块，逐块问答后合并结果。

判断：当单篇文档接近或超过模型上下文上限时，截断会丢失关键信息，分段问答更稳。操作：按语义完整段落分块，逐块独立回答，再汇总对比。验证：用一份真实长文档跑完整流程，核对块数、耗时和最终回答是否覆盖原文关键信息。风险：分块太细切断因果链条，太粗块数多且汇总压力大；具体阈值需自行测试。

确定文档的边界与分块依据

分块的第一步不是数数字，而是找文档自身的边界。典型的自然边界是段落、句子和章节标题。

• 按段落切分：适用于合同、论文、产品文档这类有明确段落结构的文本。段落通常承载一个完整论点，直接以空行切分，能减少上下文被拦腰截断。
• 按句子切分：适用于聊天记录、日志、问答记录，这类文本段落不固定，一个“段落”可能包含多个说话人。按句子切可以保持每个语义单元独立。
• 按固定字数切分：适用于没有自然段落的纯文本。但必须设置相邻块重叠区域，否则关键信息落在切点时会被切断。

示例：如果一段文字过长，可以按句号先切成若干句，再组合成不超过上限的块。例如把“第一句。第二句。第三句。”切成“第一句。第二句。”和“第三句。”，保留句子完整。

实现无重叠分块函数

下面是一个无重叠分块函数，按段落切分后，再把段落组合成不超过指定字数的块。输出每块长度，便于检查是否均匀。

def chunk_by_paragraphs(text, max_len=2000):
    paragraphs = [p.strip() for p in text.split('\n\n') if p.strip()]
    chunks = []
    current = ''
    for para in paragraphs:
        if len(current) + len(para) + 2 <= max_len:
            current = (current + '\n\n' + para).strip()
        else:
            if current:
                chunks.append((len(current), current))
            current = para
    if current:
        chunks.append((len(current), current))
    return chunks

chunks = chunk_by_paragraphs(long_text, max_len=1500)
for idx, (length, content) in enumerate(chunks):
    print(f'第{idx + 1}块：{length}字')

函数先把连续空行拆成段落，再尽可能把多个段落装入一块。max_len 需要根据模型实际能接受的上下文长度下调，留出系统提示词和问题的空间。由于块之间没有共享内容，每块内容只在最终汇总阶段被引用一次。

设计多轮问答的提示词策略

分块之后，不要一次性把整个文档塞回模型，而是让模型按块回答同一个问题。第一阶段，给模型单个块和问题，要求只依据块内内容回答；如果块内没有答案，就明确说“未提及”。第二阶段，把多个块的第一轮回答拼在一起，让模型汇总。

第一阶段提示词：

你是文档分析助手。下面是一段文档片段，请基于片段内容回答问题。
如果片段中没有答案，只回复“未提及”。不要推断。

文档片段：
{chunk}

问题：
{question}

第二阶段提示词：

以下是同一文档多个片段的第一轮回答。请汇总这些回答：
- 合并重复观点，保留信息不遗漏
- 如果出现相互矛盾的答案，指出矛盾双方和对应片段编号
- 最终给出一个精简且完整的结论

片段回答：
{first_round_answers}

合并答案并处理冲突

第一轮回答可能来自不同片段，内容有重叠也有冲突。第二阶段不能只做“总结”，还要做一致性核对。让模型逐条对比不同片段的原始回答，并说明判断依据。

请对比下面同一文档不同片段的回答，输出三部分：
1. 一致的信息：合并为一条，不重复罗列
2. 矛盾的信息：列出矛盾双方、对应片段编号，以及原文中更贴近的依据
3. 无法判断的信息：保留原样，标记为“需人工确认”

片段1：...
片段2：...
片段3：...

如果某块回答“未提及”，直接忽略，不要参与冲突判断。最终回答应包含原文中出现的实体、数字和限定词，避免模型用常识补全。

用长文档测试整体流程

设计一个可重复的测试，确认分块和汇总没有丢信息。准备一份你打算处理的真实长文档，记录总字数；运行分块函数，观察块数和每块长度；逐块调用模型并记录耗时；再执行汇总，最后对照原文检查最终回答。

• 块数：块数过多意味着每块包含的上下文太少，后续汇总请求会变大；块数过少说明单块仍可能超限。
• 耗时：从发送第一块到拿到汇总结果的完整时间，如果远超单次问答耗时，说明块数需要调小或合并部分流程。
• 匹配度：把文档中关键数字、截止时间、责任主体等作为核对点，看最终回答是否全部还原。如果有关键词缺失，通常是分块边界把相关段落切开了，需要调整max_len或按更细的语义单元切分。

测试时不要只跑一次。同一文档可以尝试不同的max_len，比如从1500、2000、2500各跑一轮，记录哪一组能保持关键语义完整。只要块边界落在自然段落之间，且汇总回答能覆盖原文所有关键信息，这个流程就算可用。