给 AI 一份 PDF，怎么让它准确引用页码

给 AI 一份 PDF，怎么让它准确引用页码

把一份 PDF 丢进对话框，问它第三节讲了什么，它答得挺像回事，你翻到那一页，发现内容在第十五页，它说的是第二十三页。页码错这件事在整理会议纪要、写文献综述、核对合同条款的时候特别要命，因为你要拿这个页码去跟人对。

页码错的原因不复杂。PDF 里的「页码」有两套：一套是纸面上印的页码，一套是文件内部的页序。封面、目录、插页常常不计入纸面页码，两套编号差个三到五页。AI 读到的是内部页序，你翻的是纸面页码，中间就差出来了。

先想清楚你要哪种页码

引用给同事看，用纸面印的那个页码；定位给程序处理，用文件页序。这个区别不弄清楚，后面怎么调都对不上。

让它报页码，先教它怎么数

明确说出偏移规则

提问时加一句：「本文件封面和目录不编页码，正文从第 1 页开始，对应文件第 4 页。引用时请给出纸面页码。」这一句能把大部分偏差挡掉。不说的话，它按自己的默认理解报，报的是文件页序。

偏移量自己先确认一次：随便找正文第 1 页，看文件里显示的是第几页，两个数字一减就是偏移。这份文件之后所有引用都能用这个差值校正。

让它先给页码再给内容

输出顺序也有讲究。让它按「页码 + 原文摘句 + 你的解释」这个格式回，每一条都带页码。如果先给结论再补页码，补出来的页码多半是猜的，补得越顺越可疑。

再让它把摘句控制在十五个字以内，原样照抄。有了摘句，你可以直接搜全文定位，页码错了也能找回来。这是最实用的一条：页码可能错，原文不会错。

要求它标出「没找到」

加一句「如果原文里找不到依据，直接说没找到，不要推测页码」。不加这句，它倾向给一个看起来合理的页码。加了之后，回答里会出现几处「没找到」，看着不完美，但这些地方恰恰是你需要自己补的。

PDF 解析本身的坑

扫描版 PDF 没有文字层，得先做识别。识别出来的文字顺序可能乱，双栏排版的文档尤其明显：左栏一段、右栏一段，被识别成一行左一行右，AI 读到的句子是断的。这类文件先转成单栏，或者用带版面分析的识别，不然页码对了，内容也是错的。

表格跨页时更麻烦。一张表从第七页连到第八页，表头只在第七页有。AI 读第八页的表时看不到表头，会把数字对应到错的列。碰到这种，先把跨页表拼成一张再提问。

还有一种情况：PDF 里的页码是图片。有些排版软件把页眉页脚转成了图形，文字层里根本没有页码。这时候它报的页码只能靠内部页序加偏移算，误差会大一点，别拿去当引用依据。

大文件分批问

两百页的 PDF 塞进对话框，它读得进去，但问到后面几章时前面的内容已经被挤出去了，答得含糊。稳妥的做法是按章节分批问，每批不超过四十页，问完把答案汇总自己在文档里拼。

分批问有个额外好处：每一批的回答你都会认真看，不会因为一次出了三十条就随手放过。我们做合同条款核对时就是这么干的，按章分七批，比一次性问完整份合同少漏了三处。

要页码的场景，别用摘要

让它「总结全文」再让它给页码，这两件事凑不到一起。摘要必然压缩，压缩就会把页码丢掉，或者只留几个大概位置。要页码，就逐段问；要摘要，就别指望页码精确。

我们的做法是先出摘要定框架，再按框架里要引用的那几处单独回去问页码。这样问的次数不多，每条都能对得上。

网页版和本地工具的区别

在对话框里传 PDF，文件会上传到服务端解析，解析质量取决于平台的解析器。有的平台对中文 PDF 支持一般，数字和标点会丢。本地有工具能做解析的，先用本地工具把 PDF 转成纯文本，再按页加分隔标记传进去，页码定位比直接传文件准得多。

转文本的时候在每页开头插一行「第 N 页」，它读到的每一个自然段都能跟页码对上。这个动作花两分钟，省下的是后面反复核对的半小时。

长文档里怎么让它不丢页码

四十页以上的文件，它读到中段时前几页的页码信息已经淡了。这时候问「第 12 页讲了什么」，它给的答案常常是重新推测的，不是真读到的。解决办法是把页码写进正文：转文本时在每页开头插一行「==第 12 页==」，让它每一段的上下文里都带着页码标记，问起来就有据可依。

另一个办法是先建目录。让它按页输出一份「页码 + 该页主题一句话」的清单，你核一遍，确认清单对得上，再基于这份清单提问。这个前置动作花五分钟，后面每一条引用都可靠，而且清单本身就能当文档的结构说明用。

真要做严格引用，还可以让它用「原文摘句 + 页码」的方式回，你拿摘句在 PDF 里搜一次。搜到了，页码自然对；搜不到，说明这句是它拼的，直接打回。这个校验动作比看页码本身可靠，因为文字不会说谎。

一处一处核，比通读省时间

页码对不上时的排查顺序

发现页码差了几页，先别怀疑工具。按这个顺序查：文件里有没有插入页或附件页、纸面页码有没有从封面开始编、有没有一页被拆成两页识别、有没有加密页被跳过。这四项能解释绝大多数偏差，剩下的才是工具的问题。

差值也能看出成因。每条引用的页码都差同一个数，是偏移没校正；差的数不固定，是解析时把某几页合并或丢掉了，得回去看解析后的文本流，看它在哪一页断掉。

拿到带页码的回答后，别从头读。先按页码排序，看有没有重复和跳号：同一页出了五条，或者中间空了十页没提，这两种情况都说明它漏读了内容。排完序挑几条要紧的核，核完剩下的抽查。

排序还有个用处：能看出它有没有跳着读。页码忽大忽小，中间隔了一大段，说明那一块它没进去，要么是图表太多，要么是版式太乱，得单独问一遍，问的时候把范围缩到那几页。

我们核一份三十页的技术协议，用了四十分钟：排序五分钟，核八条关键条款二十五分钟，抽查十条十分钟。如果从头读到尾，同样这份文件要两个小时，而且容易看到后面忘了前面。

最后一句：无论用什么办法，要害的引用都要自己翻一眼。页码是工具给的，用错的责任在你身上，别回头去怪一个对话框。