长文本的边界不是「能传多大」，而是三处会失真：中间段落被跳过、前后引用对不上、以及超出上下文后被悄悄截断。
把一份长文档丢给 AI，让它总结或提取信息，结果看着像那么回事，但细节对不上。这不是模型「不认真」，是长文本处理本身有几个结构性弱点。
一、中间段落最容易被忽略
长文档里，开头和结尾的信息被利用得最好，中间部分容易被跳过。这是普遍现象，不是某个产品的缺陷。
规避方法：不要让它「总结全文」。改成「按章节逐节总结，每节三句话」。分段处理，等于把中间部分也变成开头。
二、引用与原文对不上
让它「引用原文说明」，它可能给出一句听起来很像、但原文里没有的话。这在需要准确的场景里是致命的。
规避方法：要求它给出「第几段/第几节 + 原句前五个字」，你再回去核对。给不出定位的回答，一律当参考，不当结论。
三、超长会被静默截断
上下文有上限。超过上限时，不同产品的处理方式不同：有的报错，有的截掉开头，有的截掉中间。最糟的是截断了却不告诉你。
判断方法：在文档最开头放一句明显的标记（比如「本文第一条是：X」），问它第一条是什么。答不出来，说明开头被丢了。
四、数字与专有名词的保真度
长文档里的数字、日期、人名、型号，最容易在概括时被改。1.2 亿变成 12 亿、2024 变成 2025，这类错误很难一眼看出来。
规避方法：让它单独输出一张「数字与专名清单」，你对着原文核一遍。核清单比核全文快得多。
五、多轮之后上下文会漂
一份长文档分十轮讨论，到第七轮时它可能已经忘了第一轮的结论。这不是记性问题，是上下文窗口的取舍。
规避方法：每处理完一个部分，让它输出一段「当前结论」的短摘要，下一轮开头把这段摘要贴回去。用外部记录代替它的记忆。
六、什么时候不该用 AI 读长文
三种情况：合同条款（错一个字后果不同）、财务报表（数字必须精确）、以及需要逐条对照原文的审校。
这些场景不是不能用，而是用法要变：让它做「定位」和「初筛」，最终结论由人对着原文确认。