你收到的是一份动辄几十页的行业报告，或者一篇包含大量引用的学术论文。你熟练地把文件拖进 Kimi K2 的对话框，在提示框里输入“总结全文”，然后期待一个完美答案。但结果往往让你失望：模型可能漏掉关键段落，甚至编造出看起来很像、但原文根本不存在的引用。这并非 Kimi K2 的能力不够，而是你的使用方法出了偏差——128K 的上下文窗口虽然允许你一次塞进整篇文档，但这不等于模型能像人类一样从头到尾精准阅读并给出可靠结论。上下文越长，模型“迷失”在大量文本中的概率就越高，幻觉风险也随之上升。正确的做法，是用一套分段提问与引用核对流程，把长文档拆解成可控的、可验证的阅读单元。
分段提问的核心思路是：先让模型给出文档的整体骨架，然后你拿着这个骨架，一块一块地追问细节，最后再汇总跨段落的信息。这样做的好处是，每一轮对话中模型需要关注的上下文范围大大缩小，回答的准确率明显提升。
不要直接问“总结全文”。改成：
请帮我快速浏览这份文档，列出每一章的标题，以及每章下面主要的小节标题。同时，对每一章，用一两句话概括其核心内容。
这样做的目的是让模型先把文档的“地图”给你。你可以检查这个地图是否完整，有没有遗漏重要章节。如果模型漏掉了某个部分，你可以在下一轮中单独追问那一章。
拿到结构后，从你最关心的章节开始，逐块提问。例如：
现在请仔细阅读第三章“数据收集方法”，然后回答以下问题：1. 实验采用了哪些数据来源？2. 样本量是多少？3. 数据清洗的步骤是什么？请对每个问题给出原文中的具体表述，并标注在原文档中的章节位置（如3.1节第2段）。
这里的关键是要求模型“标注原文出处”。这样，当模型给出回答时，你就能直接跳到文档中对应的位置去核对。如果模型给出的出处位置不对，或者内容看起来有出入，你就要警惕了。
当各个部分都追问完毕后，你才进行跨段落的汇总提问。例如：
基于你已经读过的所有章节，请总结全文的主要结论，并指出每个结论主要来自哪些章节。
注意，汇总提问要在所有分块追问之后，因为此时模型已经对每个局部有了较深的注意，汇总时更可能综合准确。
分段提问只是第一步，真正让结论可靠的，是严格的引用核对流程。你不能相信模型第一次给出的答案，哪怕它看起来很自信。你需要做三件事。
每次提问时，明确要求模型给出原文出处。例如：
请回答：根据第五章，2024年第三季度的营收是多少？请给出原文中的原句，并注明章节号。
如果你只问“营收是多少”，模型可能根据记忆或推断给出一个数字，而这个数字可能来自其他部分，甚至是被幻觉出来的。要求原句和出处，就能把回答锚定在文档中。
当模型给出出处后，你需要手动打开文档，找到那个位置，读一下原句。然后问自己：模型给出的答案和原句表达的意思完全一致吗？有没有遗漏关键限定词（如“预计”“同比”“不含某部分”）？如果模型把“根据初步估算”说成“实际数据”，那就是严重的失真。
如果发现不一致，不要直接修改模型，而是用新的提示词纠正：
我刚才在第五章第2段看到原文是“初步估算营收约1.2亿元”，而你的回答是“营收为1.2亿元”。请重新阅读该段落，告诉我准确的表述，注意不要遗漏任何限定词。
这样，模型会基于你指出的具体位置重新阅读，纠正错误。如果多次纠正仍不准确，那么这部分内容你必须亲自阅读原文，模型只能作为辅助。
Kimi K2 的 128K 上下文窗口确实是一个强大的工具，但它不是“一次投喂，永久可靠”的魔法。分段提问让你把长文档切成可管理的片段，引用核对则让你把模型的每一个结论都锚定在原文中。当你发现模型给出的某个引用在原文中根本找不到时，不要惊讶——这不是模型“坏掉了”，而是你之前没有用正确的方法去约束它。
现在，你可以打开一份你的长文档，按照这个流程走一遍：先扫结构，再逐块追问，最后汇总，并且在每一步都要求标注出处并手动核对。你会发现，虽然多花了几分钟，但得到的结果完全可以信赖，而且你也能清楚地知道哪些结论必须亲自回原文验证——那些模型反复出错、无法给出准确出处的地方，就是你的“必读点”。
Δ
Ctrl+D