先講結論：它給你的是「找得到的部分」，不是「整份文件」
把 100 頁的報告或合約丟給 AI，它回你的往往不是「讀完之後的摘要」，而是「它剛好找到的那幾段整理出來的摘要」。 兩者長得一模一樣——都流暢、都分點、都很有自信——差別只在於前者不會漏掉第 47 頁那條賠償上限，後者會。
這不是模型不夠強，是「拿長文件給 AI 讀」本身就有三個結構性弱點。這篇不教工具操作、也不給提示詞模板，只講它為什麼會讀錯，以及你該換成什麼問法。
一個很典型的失望場景
你把 100 頁的年度報告丟進去問「幫我摘要重點」，三十秒後拿到一份分點清楚、語氣專業的摘要，直接貼進簡報。一週後主管問：「那個衰退的部門怎麼沒提？」你回頭翻，那段就在第 63 頁。
合約版本更常見：AI 說「本合約沒有自動續約條款」，結果它寫在附件二。
共同點是——它不是答錯，是「沒看到就當作沒有」，而語氣和真的讀過一樣。
原因一：它不是「讀完再回答」
很多人以為流程是：AI 從頭讀到尾，想一想，然後回答。常常不是。
長文件進到文件問答類工具裡，通常會先被切成一段一段的片段（chunk）並建立索引；你發問時，系統去找「跟你的問題最像」的幾段，只把那幾段送到模型眼前。Google 對 Gemini 檔案搜尋的官方說明就寫得很直白：檔案匯入後自動拆成片段、建立索引，查詢時再找出最相似、最相關的片段。
所以你的問題如果和關鍵條款「用字不像」，它可能根本沒被撈出來。 關鍵若藏在表格註腳、或用了少見的說法，它就會安靜地缺席——而 AI 不會說「我沒看到那一段」，只會根據看到的部分回答。
這套「先檢索再回答」的架構，見 RAG 檢索增強生成完全指南。
原因二：中間的內容最容易被忽略
就算整份文件真的全塞進去了，位置還是會影響結果。
一份被廣泛引用的研究〈Lost in the Middle〉發現：關鍵資訊放在很長內容的開頭或結尾時，模型表現最好；放在中間則明顯下降。Anthropic 官方文件也把「內容變多、準確度跟著掉」稱為 context rot（脈絡腐化）。
翻成白話：一份 100 頁的報告，最危險的是中段。 而合約裡決定責任歸屬的條款、財報裡該看的附註，偏偏常在那裡。
長度上限與 Token 怎麼算，Context（上下文）是什麼 那篇更完整；這篇談的是機制既然如此，你該怎麼問。
原因三：它傾向給你「看起來完整」的答案
第三個原因最麻煩，因為看不出來。
某段沒被撈到、或撈到了卻不完整時，AI 通常不會空著。它會用學過的常識把空缺補起來——「一般這類合約會約定…」、「通常這種報告的成長率大約…」。這些句子很合理、格式也完整，你很難分辨哪一句有依據、哪一句是猜的。
這就是 AI 幻覺 在文件場景的樣子：不是憑空捏造，而是把「文件裡沒寫的」和「有寫的」混進同一段話。流暢度不能當作正確度的訊號，摘要讀起來越順，你越該抽查。
怎麼問，才問得出你驗得動的答案
換工具幫助有限，換問法幫助很大。四個原則：
第一，問具體、可驗證的問題，勝過「幫我摘要」。 「幫我摘要這份合約」沒有標準答案，你也無從判斷它漏了什麼。「第幾條寫了什麼」「終止的通知期是多久」——這種問題有明確對錯，翻原文就能驗。
第二，要求它附出處。 每個結論都要它標出根據原文哪一段。價值不在於讓 AI 變準，而在於讓你驗得動——沒有出處的句子，你連要去哪裡查都不知道。主流工具也正往這個方向補，例如 Anthropic 的引用功能就是讓回答附上支持該說法的原文段落。
第三，重要的事分段問。 Google 官方文件提過：一次要找出多個目標資訊時，模型準確度不如只找單一資訊時那麼好。與其丟十個問題要它整本掃完，不如分成幾輪，每輪聚焦一類條款。
第四，明確允許它說「找不到」。 最便宜、效果卻最明顯的一句話：告訴它「文件裡沒寫就直接說沒有，不要推測」。你不講，它的預設就是盡量交出完整答案；你講了，它才有「空手回來」這個選項。
更完整的驗證流程，見 如何查證 AI 回答。
哪些事一定要自己看
有四類內容，不管 AI 說得多有把握，都要把原文那一頁叫出來讀：
- 合約的責任、賠償、金額與終止條款
- 法規的適用範圍與生效狀態
- 財報數字，以及數字底下的附註
- 任何你要簽名負責的內容
AI 可以幫你找到「要看哪裡」，不能替你「看過了」。 把它當成很快的索引員：三分鐘內告訴你「賠償上限大概在第五章」，已經省掉大半時間；但那條寫多少錢、有沒有除外，得自己看。
敢說不建議的是：別拿 AI 摘要當成「我讀過這份文件」去做決定。 只要出錯的後果是賠錢、違約或違規，AI 就只能加速定位，不能最終判讀。
像 Gemini Notebook 這類文件工作台確實把「上傳、提問、回原文查證」整合得順手，但工具解決的是流程摩擦，不是這三個結構性原因，換工具不會讓你免於驗證。
常見問題
那我該把整份 PDF 丟進去嗎？
可以丟，但別把「丟得進去」當成「讀得完整」。整份丟的好處是它至少有機會看到全部；壞處是內容一多，中間段落被忽略的風險就上升。實際做法是：整份丟進去做初步定位，真正要下判斷的章節再單獨問，並要求附出處。
為什麼 AI 摘要裡的數字，會跟原文對不上？
常見原因有兩個。一是那個數字所在的段落沒被撈進來，AI 用常識補了一個看似合理的；二是文件裡有多個相似數字（去年與今年、合併與單獨），它抓錯了。所以看到數字一律回原文核對，財報與報價這種差一位數就出事的尤其要。
分成好幾次問，它會記得前面問過的內容嗎？
不一定。同一個對話裡，前面的內容原則上還在，但對話越長越可能被擠掉或忽略。保險的做法是每一輪都把範圍講清楚，不要依賴它「記得我剛剛說過」。
要求它附出處，就代表答案一定正確嗎？
不代表。出處的價值在於「可查」，不在於「已驗」。實務上仍會遇到引用的段落其實不支持結論、或頁碼標錯。出處是給你查的入口，不是免驗證的保證——真正的驗證還是要點開原文自己讀。
參考來源
- Google — File Search（Gemini API 官方文件，說明檔案匯入後如何切成片段、建立索引與回傳引用）
- Google — Long context（Gemini API 官方文件，說明多個目標資訊時檢索準確度的落差）
- Liu et al. — Lost in the Middle: How Language Models Use Long Contexts（arXiv:2307.03172）
- Anthropic — Context windows（Claude 官方文件，含 context rot 說明）
- Anthropic — Citations（Claude 官方文件，說明如何讓回答附上支持該說法的原文段落）