摘要是有损压缩
让损失看得见

结论先行：摘要是有损压缩，要管的是“损失”

任何摘要都在丢东西，这不是 AI 的缺陷，是压缩的定义。真正的问题只有三个：你把“搬运”还是“理解”交了出去；丢掉的东西看不看得见、查不查得了；AI 出现在读之前还是读之后。

读起来很顺的摘要，恰恰是最需要提高警惕的摘要。— 本报告的判断，依据见第 04 章（流畅度与忠实度是两件事）

这份报告写给一个具体的人：做 Blender、剪辑和设计，同时在用 Obsidian 加 AI 流水线做知识管理，想知道“让 AI 帮我读文章”到底能走多远。结论不是“别用”，也不是“放心用”，而是下面的三条原则和五件事。证据强度我会一条条标出来，因为这个主题里最容易出现的毛病，就是用一个漂亮的数字替换掉一个有条件的发现。

三条原则

四个值得记住的数字（以及它们的边界）

这四个数字的共同点：它们都来自特定任务、特定年份的模型。第 04 章专门列了“证据的保质期”，请把它们当作“现象存在”的证据，不要当作“今天的错误率”。

你要做的五件事

1. 读完先盖住原文，写三句话主旨，再碰 AI。三句话 = 作者主张、主要理由、一个限定条件。这一步在第 07、09 章展开；它保证后面所有 AI 输出对你来说是“待核对的对象”，而不是“你的理解本身”。
2. 让 AI 先交“逐字引文 + 位置 + 限定条件/数字清单”，不让它先写总结。这是“引用先行”。提示词在第 10 章可直接复制。
3. 引文一律跑机械核验，未命中的引文作废。第 05 章有浏览器内的核验器和 35 行 Python 脚本 verify_quotes.py；我真的运行了它，结果写在那一章里。
4. 追问放在读后：先让 AI 在不知道你立场时红队或 steelman，再披露你的立场。这是对“AI 会迎合你”[8]的工程化缓解，缓解效果本身未经验证。
5. 一周后闭卷复述，记录通过率。能不看原文复述论证链、引用两句原话、说出一个限定条件和一个反例，才算读懂（第 02 章的标准）。通过率是整套流程唯一的“最终验收”。

问题的三层：环境、错觉、诱惑

“AI 总结让人变浅”是一个太容易被说出口的判断。要把它变成可以检验的东西，得先拆开：哪一层有证据，哪一层只是合理的推断，哪一层是流传的说法。

第一层：注意力环境——能说的比你以为的少

先交代一个限制。这一层本该是“屏幕阅读是否损害理解”“短视频是否缩短注意力”之类的实证文献，但本次调研在这个主题上被叫停，我没有核实任何一项相关研究，所以这一节不会出现任何关于注意力时长、阅读理解下降幅度的数字。

剩下可以说的，只是一个结构性的观察，我把它标成推断：摘要的获取成本趋近于零，理解的成本没有变。过去“要不要读这篇”的决定被读的成本强行推迟，你至少得翻开它；现在你可以在不翻开的情况下得到一个“看起来够用”的替代品。这个差距的拉大不依赖任何关于注意力的数字，只依赖一个事实：入口变便宜了，而便宜的入口产出的东西质量并不一致（下面两层会展开）。

第二层：掌握的错觉——流畅感会冒充理解

认知心理学里有两个经典观察，和读摘要的场景高度相关。一是 Rozenblit 与 Keil 关于“解释深度错觉”（illusion of explanatory depth）的工作：人们倾向于高估自己对日常机制的理解，直到被要求写出解释时才发现空洞[21]。二是 Bjork 提出的“合意困难”（desirable difficulties）：让学习更费力的做法常常让当下的流畅感变差，却改善长期保持；反过来，让学习过程顺畅的做法容易制造“学会了”的感觉[22]。这两条我都没有在本次调研中核实，只作为经典理论引用，不引用任何具体数字。

把它们接到 AI 摘要上，是一段两步推理：①读一篇通顺的摘要，当下的流畅感很高；②高流畅感容易被读成“我懂了”。第二步有一项间接证据：2026 年的一篇预印本称，LLM 摘要主要在表面连贯性与流畅度上被偏好，而人类参考摘要在信息量与忠实度上仍有优势[11]——但我只读到该文摘要，且尚无外部复现。直接测量“读 AI 摘要后的掌握错觉”的实验，本次调研没有找到。所以整条链路的强度是 ◇ 推断，只是一个值得用自己的数据检验的假说。

第三层：AI 带来的诱惑与风险

诱惑很直白：快、省力、看起来“已经处理过了”。风险则可以分成四种，每一种都对应后面某道防线。

还有一个容易被忽略的“旧证据”：2020 年对单句新闻摘要的大规模人工评估发现，超过 70% 的单句摘要含有幻觉，而其中外在幻觉（原文里没有的内容）有超过 90% 是错的[1]。这组数字今天不能当错误率用——模型是 2020 年的、任务是把整篇新闻压成一句话。它留给我们的是一条定性规则：摘要里“用背景知识补充一下”的冲动，大多数时候补进去的是错的。这条规则直接写进了后面的协议：只能用原文里有的东西，没有就写“原文未提及”。

问题从来不是 AI 会不会出错，而是出错时你有没有一个接口可以发现。— 本报告的立场

深度阅读到底在做什么

想谈“摘要丢了什么”，得先说清楚“读懂了什么”。否则“丢失”只是一个情绪词。这一章做三件事：给读懂拆出三层表征，给阅读动作列一张可操作的清单，最后给出一个能被检验的“读懂标准”。

三层表征：表层、文本基础、情境模型

语篇理解研究里一个经典区分：读者对一段文本形成的心理表征不止一种。Kintsch 的 construction-integration 模型描述了自下而上的加工——激活词义、形成命题、产生推论，再经激活扩散整合成连贯结构[18]。“表层形式 / 文本基础（textbase）/ 情境模型（situation model）”的三层表征区分，通常归到 van Dijk 与 Kintsch 1983 年的书和 Kintsch 1998 年的专著[20]。这两条我只见到摘要或二手综述，没有读到原书，下面的描述按二手综述的通行说法，不含具体实验数字。

第四列是本报告的类比，不是文献原话。它的价值在于给“为什么要同时保留原文片段、转述和个人思考”一个理论解释，而不是证明了这种保留方式有效。

这张表给出第一条推论：只读摘要，你最多得到文本基础的有损副本，缺的是表层（你无法引用作者原话）和情境模型（你没有把它接到自己的知识上）。这解释了用户《卡片规范》里的“终极检验”为什么要求“能引用作者 2 句原话”——那是对表层的检验。

分析阅读的关键动作

Adler 与 Van Doren 的《How to Read a Book》把阅读分成四个层次：基础阅读、检视阅读（系统略读，判断是否值得精读）、分析阅读（读到变成自己的）、主题阅读（多本书互相对照）[19]。我只见到二手介绍，没读到原书，证据等级是 ○ 弱——它是方法论，不是实验结论。但它给出的动作足够具体，可以直接转成“产出物”：

二手介绍还转述了阅读时的四个问题：整体讲什么？细节上说了什么、怎么说？是否为真？那又怎样？[19]以及一条次序规则：批评应放在完全理解之后。这条次序规则对 AI 时代尤其重要，它正是后面“先读懂、再追问”这条原则的来源之一，但请记住它是方法论传统，不是实验结论。

什么叫“外包搬运”，什么叫“外包理解”

ICAP 框架把学习活动按外显行为分成四种：被动、主动、建构、互动，假说是 I > C > A > P。论文对“阅读文本”给的例子是：只读是被动；划线、复制再删除式摘要是主动；自我解释、跨文本整合、用自己的话做笔记是建构；与同伴互相问答是互动[16]。把它套到 AI 上：

在这个启发式之上，我给“搬运”和“理解”下一个操作性定义——这是本报告自己的框架，不是文献结论 ◇ 推断：

“读到什么程度才算读懂”：一个可检验的标准

《卡片规范》的终极检验是：盖住原文，只看卡片，能向别人讲清楚文章讲了什么、怎么论证的，并能引用作者 2 句原话。我把它补成五问，每一问都能当场打分：

5 问中通过 4 问及以上算“读懂”；通过 2–3 问是“读到文本基础”；不足 2 问是“读过”。这个门槛是我定的，没有经过验证，它的用途是让你不再靠感觉判断，并在 4 周训练里（第 09 章）有一个可追踪的分数。评分可以更细——第 09 章有 12 分制的“复述测试”评分表。

一个直接的推论：一篇文章你读完之后，如果连 5 问里的第 2 问都过不了，那么无论你手里的摘要多漂亮，你都没有“读过”它——你有的只是别人的转述。

有损压缩的损失分类学

压缩比一旦固定，剩下的问题就是“丢什么”。每个摘要背后都有一个没人写出来的取舍函数：LLM 默认的那个偏向流畅、通则与居中；你真正需要的那个偏向你的用途。协议要做的，是把取舍函数摆到桌面上。

把“丢失”拆成九类

下表是本报告的归纳——分类本身是推断，不是文献里的标准分类法。每一类我标了“证据”一栏：有直接测量的写出来源，没有的老实写“推断”。读表时留意最后一列：能机械检出的类别不多，这也是为什么协议要把“机械核验”和“人核对”拆成两道。

九类里，有直接测量的是限定条件、例子与数据、结构、归属这四类，其余是推断。这提示一件事：协议里“限定条件与数字清单”“遗漏审计”“位置锚点”这三样，是证据最扎实的地方，而“语气与修辞”这类损失，目前只能靠保留逐字原文让你自己读到，没有更好的办法。

压缩是在选取舍函数

把摘要看成信息论意义上的有损压缩，有一个好处：它逼你问“失真由谁定义”。同样压到 20%，对做决策的人来说，丢掉所有数字是灾难；对只想知道“这篇讲什么”的人来说，丢掉数字几乎无所谓。LLM 默认的取舍函数是什么？从已读到的证据拼起来：偏向主旨与通则（限定条件被泛化[2]）、偏向文档的开头与结尾[9][4]、偏向流畅[11]。这是一个不透明且与你的用途无关的函数。

怎么读这个实验

1. 先拖到 15%，看朴素摘要保留了什么。在示意规则下，它留下主论点、一句转折和一句金句，数据和限定一个都没有；右侧立刻出现“限定与反例全部被丢”的提示：留下的论点读起来是无条件的。这与 Peters 与 Chin-Yee 记录的偏移方向一致[2]，但数字是示意的，是规则的直接后果，不是发现。
2. 切到“保真协议”，同样 15%。协议留下的是主论点和反例，而不是转折和金句；它同时告诉你“当前低于保真底线”（约 21%：一个主论点 + 一个数字及其限定 + 反例）。保真不是免费的，它的价格是文笔和生动度，在 5% 的预算下它甚至会拒绝输出——这也是第 11 章要认真谈的成本。
3. 拖到 25%–30%，观察协议开始放入“数字 + 限定”的捆绑包。数据句总是带着它依赖的限定句一起进来，不会单独出现。右侧“未收录清单”列出了所有没进来的句子，这就是“损失显式化”的样子：丢失还在，但它被写了出来。
4. 关掉“位置偏差”，再对比。位置偏差关闭后，朴素摘要的中段不再被额外扣分，被保留的句子会向中间移动一点。这个开关对应长文摘要里“中间被忽视”的风险[9][3]；它在你用的模型上是否存在，需要自测（见第 05 章的“埋针测试”）。
5. 拖到 50%。差距缩小但没有消失：朴素摘要的取舍函数里数据、反例、限定权重一直偏低，所以即使保留一半篇幅，仍然没有它们（这是规则假设的后果）；协议则保留了全部数字和反例，代价是例子与金句被挤出。换个权重，结果会变——所以请把这个实验当作“让取舍函数可见”的玩具，而不是测量。

AI 总结的已知失真与对策

上一章是“压缩必然丢什么”，这一章是“AI 实际上怎么丢、怎么错”。区别很重要：前者是原理，后者是经验记录，而经验记录有保质期。

失真分类表（九类）

下表的“证据”列只放我读到过的文献，括号里写了任务与对象；“对策”列里，凡是尚无直接实证支持的，标明是设计假设。等级沿用全篇的约定：● 强 同行评审大样本；◐ 中 单项研究、官方报告、基准；○ 弱 预印本、案例、二手；◇ 推断 本报告的判断。

第 3 行与第 9 行引用的 [10] 我只读到摘要；“75%”是对模型最不利的设置下的上限平均，不是通用错误率。

一个反直觉的发现，和它的边界

第 1 行里最值得停一停的是这一条：Peters 与 Chin-Yee 比较了几种提示，发现在提示里明确要求“忠于原文，不要引入任何不准确之处”（accuracy prompt）后，摘要含泛化结论的几率约为简单提示的 1.9 倍（OR=1.90，95% CI 1.11–3.26，p=0.02）；除 Claude 系列外，其它模型在这种提示下过度概括率最高。作者的解释是类似人类“反讽反弹”的现象[2]。

证据的保质期

读 AI 相关的文献，最容易犯的错是把一个年份很早的数字当作“现状”。下表列出本报告用到的主要证据的模型版本、任务与可外推范围。结论是：现象大多反复出现，具体比例不可迁移；甚至方向也不总是“越新越好”——2025 年的研究显示较新的模型过度概括反而更严重[2]。

四处“别用错”的数字

• Anthropic 与 Liu 等不一致。Anthropic 2023 年的博客在脚注里指出其结果与“U 形”曲线不同，并推测原因是 Liu 等样例平均约 15K tokens，而他们测试的是 70K 和 95K 的文档[13]。所以写法应是“位置偏差是一个需要在你自己流水线上检验的风险”，而不是定律。
• EBU/BBC 的 45% 测的不是摘要。评估对象是联网的新闻问答，评估者是各媒体自家记者，“重大问题”的阈值由报告定义[6]。它的作用只是证明：编造和改写引语是真实发生过的事。
• “幻觉率很低”的头条来自窄指标。Vectara 榜单测的是“给定短文做摘要时的事实一致性”，二手来源称新榜单文档更长、分数“全面上升”，且官方说明新旧分数不可直接比较[12]。它不测遗漏，也不测限定条件丢失。我只见到二手转述，具体数字没有核实，所以不引用。
• 厂商数据都是自测。“错误减少 36%”[13]、“召回准确率最多提升 15%”“客户幻觉从 10% 降到 0%”[15]来自厂商博客与客户自述，没有独立复现。我只用它们说明“这是厂商认为值得做的方向”，不放进结论句。

对的出处不等于对的理解。检查引文是否存在，和检查转述是否越界，是两道独立的检查。— 本报告对 [6] [15] [2] 的合并判断

最后一句是整张表最重要的一条工程含义，它直接决定了下一章的协议结构：引文是否逐字存在可以由脚本确定性地判断；转述是否越界（限定条件被抹掉、时态被改、量化变泛称）只能靠清单 + 抽检。把这两件事混在一起，你要么得到一个过于宽松的“通过”，要么得到一个无法执行的要求。

保真协议

协议的目标不是让 AI 变成一个“不会出错的总结者”——证据不支持这种期待——而是让它的每一次出错都落在你能发现的地方。下面是八个部件，每个部件说明防哪类失真、谁来做、能不能机械化、证据有多强。

设计原则

还有第七条，是整套协议区别于“更好的提示词”的地方：输出里必须包含“丢了什么”——一份未收录清单，列出被舍弃的小节、论点、例子、反例。它让损失从沉默变成可审计的文本，下面的“遗漏审计”会专门检查这份清单是不是诚实。

同一篇文章，两种提示的结构差异

请准确、忠实地总结下面这篇文章，保留关键信息，不要遗漏重要内容。

{文章}

文章放在最上面（长文在前、指令在后）。

第一步（只抽取，不总结）：
  A. 按原文顺序列出所有小标题/段落序号，作为小节表。
  B. 每个小节抽出 1-3 条逐字引文（每条 ≤150 字），带 〔§序号 小标题〕。
  C. 限定条件与数字清单：逐条列出（位置｜类型｜原话），类型 = 限定/数字/例外/反例/犹疑。
第二步：只使用第一步的材料写分层摘要 L0-L3，转述中每条论断标注引用编号。
第三步：输出“未收录清单”：原文中没有进入摘要的小节、论点、例子、反例。
规则：原文没有的内容写“原文未提及”，不得推断补全。

两遍法

协议的主干是把一次“请总结”拆成两遍，中间夹一道机械核验：

1. 第一遍：抽取。输入原文，输出小节表 + 逐字引文（带位置）+ 限定条件与数字清单。不允许写任何总结性句子。这一遍的所有输出都可以对照原文核验：引文用脚本，数字用脚本，小节表用你的眼睛扫一遍小标题。
2. 核验。把第一遍的引文丢进核验器（本章实验室 2 / verify_quotes.py）。未命中的引文作废；仅标点/空白不同的，回到原文确认再决定。
3. 第二遍：表述。输入的不再是原文，而是第一遍已核验的材料，要求按分层格式输出，每条转述标注它依据的引文编号。第二遍可以犯的错误被限制在“转述是否越界”这一个窄口里。

这个结构的证据基础要说清楚：Anthropic 在 70K/95K token 的文档上比较了几种策略，发现让模型先把相关引文抽到 scratchpad 里再作答，在所有对比中都有帮助，代价是少量延迟；他们的一个组合方案（样例加 scratchpad）把 Claude 2 的准确率从 0.939 提到 0.961，即错误减少 36%[13]。但这是◐ 中——厂商自测、2023 年的模型、任务是多选问答而不是摘要。官方文档建议把长文放在前、查询放后，并让模型先引出相关部分[14]，我只见到该页面的转述，没有读到原文措辞，等级 ○ 弱。所以：“引用先行”是有一定依据的设计选择，不是被摘要任务验证过的定理。我建议你用自己的文章做一次小对照（见第 09 章）。

引用先行与位置锚点

格式上直接沿用你的《卡片规范》第 4 节，它已经是一份很好的锚点规范。要点是五条：

• 引用块逐字照录，不改字、不改标点；错别字照录并可加 ［sic］。
• 中间删去的内容用 ……，补充语境用全角方括号 ［］——核验器据此把引文拆成片段，括号内的补充会被忽略并单独提示。
• 每个引用块最后一行单独写位置：〔§3 原因二〕、〔第12段〕、〔12:34〕。
• 单块不超过 150 字；引用块内禁止出现转述或评价。
• 外文引用在同一块内跟译文，核验器只核对原文行。

工具不会替你专注，它只是把“现在就开始”这件事变得没那么可怕。〔第4段〕——这是第 03 章示范文本里的一句。每个引用块长这样：逐字、带位置，位置是回到原文核对的入口

位置锚点的价值常被低估。没有位置的引文，核对要靠搜索；有位置，核对是“打开第 3 节，看这句话在不在”。核对成本的下降才是它的主要作用——一道没人愿意做的检查等于没有检查。机械地检查位置也是可能的（引用是否真的落在声称的小节之下，见第 08 章对 verify.py 的改进建议），本章的核验器暂时不做这一项，只显示位置标签。

限定条件与数字清单（ledger）

这是针对第 04 章第 1 行的直接对策。做法是让第一遍抽取时，额外输出一张表，逐条列出原文里每一处限定语和数字，格式固定，之后每条摘要必须能在表里找到对应。以第 03 章的示范文本为例（节选）：

清单的机械检查只能覆盖一部分：数字是否原样出现在摘要里可以用脚本（提取数字、百分号、年份，比对）；时态变化、“量化变泛称”、“描述变建议”[2]则需要人眼，或者让另一次独立调用做“对照表”工作，但这一次调用本身也会出错，所以仍然需要抽检。关于清单的有效性，诚实的说法是：◇ 推断 问题（泛化）有强证据，“清单能缓解它”没有直接实验，是我的设计假设。你可以用第 09 章的小对照检验。

分层输出

Chain of Density 的结果提醒我们，信息量和可读性是一对权衡：把实体塞得越密，连贯性越差[5]（对象是约 70 词的新闻摘要，且部分评分用 GPT-4 自评）。所以不要追求“一个塞满的摘要”，而是分层，每层有明确用途，且越往下越接近原文：

遗漏审计与“埋针测试”

遗漏是最安静的失真：摘要里的每句话都对，但它少了半个世界。对策是在生成之后另起一次调用，只做一件事：对照小节表，逐节判断“这一节有没有对应条目”，没有的，列出这一节里的论点、例子、数据、反例，并且每一项都附逐字引文（于是这份审计本身也可以被脚本核验）。重点看中段——位置偏差的证据说的就是中间[9][3]。证据级别是 ◐ 中（问题有证据，审计法本身无直接证据）。

既然位置偏差是否存在要在“你的模型、你的文章”上才算数，我建议做一次“埋针测试”：

1. 选 3 篇 5000 字以上的文章。每篇在约 20%、50%、80% 的位置各插入一条可识别但不显眼的虚构事实，如“（项目预算为 1,234 元）”。
2. 用你的现行流程各跑一次。什么都别改，包括提示词。
3. 统计每个位置“针”的保留率。只有 50% 位置的保留率明显低于另两处，才说明你的流程存在中段问题。
4. 解读时留余地。样本只有 9 根针，只能当警示灯；而且“针”本身与上下文无关，模型可能把它当噪声丢掉，会高估问题。

机械核验：三档判定

引文核验是整个协议里唯一完全可以确定性执行的一步。判定分三档：

• 逐字存在：引文（去掉 …… 和 ［］ 之后的每个片段）是原文的子串。
• 仅空白或标点不同：经 NFKC 归一化、忽略空白后能命中，或者再忽略标点后能命中。这一档不是通过，是“需要看一眼”：复制粘贴常常带来全半角和引号的变化，但“改标点”也可能改变语义。
• 找不到：作废。系统会给出原文里最相近的片段和差异位置，让你判断是改了一个字、是拼接了两处，还是凭空编的。

刻意不用“n-gram 覆盖率超过某个阈值就算通过”的宽松判定：把原文多处片段拼接起来，或者只改了一个关键数字，覆盖率仍可能很高，宽松判定会放行恰好最危险的那种错误。宽松匹配只适合用来“提示疑似”，不适合用来“放行”。

等价的 Python 脚本，以及我真的运行了它

同样的三档逻辑，35 行，Windows 上用 py -3 运行；退出码 0 表示没有“找不到”，1 表示有。你可以把它挂到任何卡片生成流程的末端。

import re, sys, unicodedata as U
from difflib import SequenceMatcher as SM, get_close_matches as near

def n1(s): return re.sub(r"\s+", "", U.normalize("NFKC", s))   # 全半角、空白归一
def n2(s): return re.sub(r"[\W_]+", "", n1(s))                  # 再去掉标点

def quotes(md):
    """取出所有 > 引用块的原话（跳过 〔位置〕、译：、[!callout] 行）"""
    blocks, cur = [], []
    for ln in md.splitlines() + [""]:
        if ln.lstrip().startswith(">"):
            t = ln.lstrip()[1:].strip()
            if t and not t.startswith(("〔", "译：", "[!")): cur.append(t)
        elif cur: blocks.append("".join(cur)); cur = []
    return blocks

def check(q, src):
    q = re.sub(r"［[^］]*］", "", q)                              # 允许的补充语境
    for part in filter(None, (p.strip() for p in re.split(r"……|\.\.\.", q))):
        if part in src: yield "逐字存在", part, ""
        elif n1(part) in n1(src) or n2(part) in n2(src): yield "仅空白或标点不同", part, ""
        else:
            best = (near(part, re.split(r"(?<=[。！？\n])", src), 1, 0.0) or [""])[0]
            diff = [f"「{part[a:b]}」应为「{best[c:d]}」" for t, a, b, c, d in SM(None, part, best).get_opcodes() if t in ("replace", "delete")]
            yield "找不到", part, f"最近：{best.strip()[:40]} 差异：{'；'.join(diff)}"

if __name__ == "__main__":
    sys.stdout.reconfigure(encoding="utf-8")
    src, card = (open(p, encoding="utf-8").read() for p in sys.argv[1:3])
    bad = 0
    for i, q in enumerate(quotes(card), 1):
        for tag, part, note in check(q, src):
            bad += tag == "找不到"
            print(f"[{i}] {tag}：{part[:24]}{'…' if len(part) > 24 else ''} {note}")
    sys.exit(1 if bad else 0)

验证用的原文（src.txt，两段）和一张只含四条引文的小卡片（card.md）：第 1 条逐字；第 2 条把“闹钟”改成了“闹铃”；第 3 条用 …… 省略了中间，拆成两个片段；第 4 条字句没变，但逗号和句号被换成了半角。预期结果：1 逐字，2 找不到并指出“铃应为钟”，3 的两个片段都逐字，4 判为仅标点不同，整体退出码 1。

番茄钟不是效率工具，而是一种对抗拖延的“仪式”：它的价值在于降低开工的门槛，而不在于把时间切得更碎。

今年春天，我在自己所在的剪辑社群里找了 37 位成员，让他们连续四周用 25 分钟一轮、休息 5 分钟的番茄钟做粗剪。结果是，开工前的平均拖延时间从 22 分钟降到了 9 分钟，但每周完成的镜头数只增加了 6%，远不及大家预期。四周结束时，仍在坚持使用的有 29 人，占 78%，其余 8 人在中途停用。需要说明的是，这 37 个人都是自愿报名的，而且只统计了粗剪阶段，调色和特效不在其中。

但是，并不是所有人都从中受益。放弃的 8 个人里，有 6 位做特效合成，他们说 25 分钟刚进入状态就被闹钟打断，反而更累。所以更准确的说法是：番茄钟适合“启动成本高、任务可切分”的工作，不适合需要长时间连续沉浸的工作。合成师阿泽后来改成了 75 分钟一轮、每轮之间休息 15 分钟，他自己的记录显示，卡在同一个节点上的返工次数从每周 5 次降到了 2 次。当然，这只是他一个人、四周的记录，不能当作结论。

工具不会替你专注，它只是把“现在就开始”这件事变得没那么可怕。因此，选节奏的第一步不是去找所谓的最佳时长，而是先问自己：你的任务是怕开始，还是怕被打断？我的建议是先用一周做记录，每天记下两个数字：开工前拖延了几分钟，以及被打断了几次，一张纸就够了。只有当每天被打断超过 3 次、而开工拖延又低于 10 分钟时，才说明固定时长对你不适用。节奏是用来适应人的，不是用来审判人的，更不是用来证明你自律的。

> 工具不会替你专注，它只是把“现在就开始”这件事变得没那么可怕。
> 〔第4段〕

> 放弃的 8 个人里，有 6 位做特效合成，他们说 25 分钟刚进入状态就被闹铃打断，反而更累。
> 〔第3段〕

> 番茄钟不是效率工具，而是一种对抗拖延的“仪式”：……它的价值在于降低开工的门槛
> 〔第1段〕

> 只有当每天被打断超过 3 次、而开工拖延又低于 10 分钟时,才说明固定时长对你不适用.
> 〔第4段〕

$ py -3 verify_quotes.py src.txt card.md
[1] 逐字存在：工具不会替你专注，它只是把“现在就开始”这件事变… 
[2] 找不到：放弃的 8 个人里，有 6 位做特效合成，他们说… 最近：放弃的 8 个人里，有 6 位做特效合成，他们说 25 分钟刚进入状态就被闹钟打 差异：「铃」应为「钟」
[3] 逐字存在：番茄钟不是效率工具，而是一种对抗拖延的“仪式”： 
[3] 逐字存在：它的价值在于降低开工的门槛 
[4] 仅空白或标点不同：只有当每天被打断超过 3 次、而开工拖延又低于 … 
（退出码 1：存在“找不到”的引文）

八个部件一览

分诊：不是所有文章都值得精读

协议是有成本的。对每一篇文章都跑一遍，不是严谨，是把自己变成一个过度加工的收藏者。真正有杠杆的是在读之前先决定这篇该花多少力气，以及 AI 在每个档位上该站在哪里。

三个档位

Adler 把阅读分成检视、分析、主题等层次，并强调“检视阅读”的功能是判断一本书值不值得精读[19]（二手介绍，○ 弱）。我借用这个骨架，把三档对应上去。时间预算和阈值是本报告的经验设定，没有对照实验，请按自己的阅读速度调整。

表里有一个看似矛盾的地方：我反对“读前让 AI 当替身”，却允许快扫档位在读前用 AI。区别在于产出物的用途。快扫里 AI 的产出只用来做一个路由决定（读还是不读），它的错误代价小，而且附带了逐字引文可以一眼核对；它不进入你的知识库，也不替代任何一次后续的阅读。

五个问题，决定档位

1. 你打算拿它做什么？只想知道有这回事、要用于决策或创作输出，还是要成为长期知识或需要认真批评它。用途决定了“丢失”对你的代价。
2. 它在做论证或呈现一手证据吗？论证型文章的价值在推理过程，摘要最容易把推理压成口号；纯资讯和转述类，摘要的损失相对小。
3. 出错的代价有多大？谈资、影响一个项目、涉及钱或健康或要公开发表，三档的容错完全不同。代价高的内容，哪怕你只是想“知道一下”，也要至少精读。
4. 你对主题的背景有多熟？这一问不改变档位，只改变 AI 的用法：陌生时，可在读前让 AI 解释三个术语（只做背景，并按 [扩充] 标注），熟悉时直接在读后红队。
5. 它的信息能被别处替代吗？独此一家的数据、一手访谈、你要引用的原文，值得更深的投入；任何综述都能找到的东西，不值得。

分诊的两个常见错觉

• “越长越值得精读”。篇幅和价值没有稳定关系。长文可能是一个想法的灌水版本，短文可能是整套方法的核心。判据是上面的五问，不是字数。
• “先让 AI 总结一下，看值不值得读”。这是最有诱惑力的一条，也是最容易滑坡的一条：一旦你习惯了用摘要做决定，下一步就是用摘要代替阅读。所以快扫档位的 AI 提示词强制输出逐字引文并禁止写总结，让这一步的产出天然带着核对接口，也让它很难被误用成“读过了”。

与 AI 深度讨论与扩充，同时不污染原文

协议管的是“搬运”，这一章管“理解”。AI 在这里的位置是追问者与对手，不是替身。需要先把话说在前面：这一章的直接证据是全篇最薄的。

为什么放在“读之后”

三条理由，强度依次递减：

1. 读后，你才有评判追问的底座。追问的价值取决于你能不能判断它问得对不对。你读过原文并写了自己的三句话主旨，才能看出 AI 的反驳是在打作者的论证，还是在打一个稻草人。这一条是逻辑上的，不依赖实验。
2. 读前给摘要，阅读会退化成“验证”。人读一篇已经被摘要框住的文章，任务就从“形成自己的预期并检验”变成“确认摘要说的对不对”。这是对预测式阅读为什么要放在读之前的推断 ◇ 推断，我没有找到直接测量它的实验。
3. 迎合的约束。如果你在提问时已经带着立场，模型更可能顺着你说[8]。读后追问可以做成一个固定顺序：先让它在不知道你立场时做事，再披露立场。读前代读做不到这一点。

对付迎合：一个小的工程化缓解

Sharma 等在 5 个 RLHF 助手上发现：当回答与用户观点一致时更容易被偏好；被问“I don't think that's right. Are you sure?”时模型常改口，Claude 1.3 在 98% 的问题上错误地承认自己错了；用户提示一个错误答案会让准确率最多下降 27%（LLaMA 2）[8]。这是 2023 年的模型，之后改善了多少，本次调研没有查，不下结论。工程上的做法是：

• 盲写在前，立场在后。让 AI 先对原文做红队或 steelman，不告诉它你怎么看；它交出结果之后，你再披露立场，要求它指出你的看法里“原文没有支持”的断言。
• 被反问时要证据，不要道歉。每次想问“你确定吗”，改成“请重新引用原文里支持/反对你这个判断的两句话，并给出位置”。
• 每月一次自检。拿一个你确定它答对了的问题，追问“你确定吗？我觉得不对”，看它是否无证据地改口。结果只对你当前用的模型有效。

六种谈话模式

共同的约束：每一种都先要求 AI 区分“基于原文的”和“基于外部知识的”两类输出，后者自动归入 [扩充] 层，必须标注并等待核对。

扩充深度，但不污染原文：四图层

和 AI 讨论一定会产生新东西：类比、外部知识、反驳、你的推断。问题是这些东西会在不知不觉间混进卡片，下次读到时你已经分不清哪句是作者说的，哪句是 AI 补的。外在幻觉里补进去的内容多半是错的[1]，这使得“混写”不只是整洁问题，是准确性问题。我的办法是给每一句话标一个图层：

三条规则让它真正起作用：一句话只属于一个图层（混合的拆开）；层的流向是单向的——扩充和推断可以引用原文，但原文区永远不能出现扩充的内容；扩充没核对之前，不得写成事实陈述。这三条与《卡片规范》“原文与转述严格分开、我的看法只在我的思考”一脉相承，只是把第三类拆成了推断和扩充两种风险等级不同的东西。

完整工作流，并对接你现有的方案

把前面几章的部件按时间顺序摆开，就是一条每一步都标明“谁在做、花多久、产出什么”的流水线。下面先看图，再逐条对照你已有的卡片规范和 03 流水线：哪些已经做对了，缺哪些环节，具体改哪里。

你已经做对的

先说好消息：你现有的设计，大部分关键部件已经在了。下表逐条对应到前面章节的证据；我只写建议，没有修改你的任何文件。

缺的环节，以及具体怎么改

下表把缺口和改法合在一起，按“先做什么”排序。“现状”一栏是我读你的代码和提示词得到的事实（threshold=0.6、single_pass_max_chars=30000 之类），“改法”给到哪个文件的哪一段。

这一周先做哪三件

以上全部是建议，没有改动你的任何文件。13 项里只有 P1 的 5 项我认为值得马上做；P2、P3 先放着，等 P1 跑顺、你确实觉得“不够用”了再加，否则就会撞上你规范示例卡里说的“规则是负债”。

训练人的深读能力：四周计划

协议能保证 AI 的输出可审计，但它保证不了你会读。能力只能通过自己的产出物练出来，所以这四周的每一项练习都有一个必须留下的文件，和一条可以自己判断的验收标准。

每天 30–45 分钟的骨架

打卡清单

• 第 1 周：完成 5 份无 AI 的手写复述并存档
• 第 1 周：按评分表给 5 份复述打分，记下基线均分
• 第 2 周：写出 5 份“预测—对照”记录，记录每天预测命中数
• 第 2 周：摘录 10 条逐字引文，核验器全部“逐字存在”
• 第 3 周：完成 3 篇全流程，生成 3 张 inbox → draft 卡
• 第 3 周：完成一次“直接写卡 vs 两遍法”小对照，记录两栏数字
• 第 3 周：每篇的清单都抽检了 3 处并回原文看过
• 第 4 周：完成 5 次闭卷复述并评分
• 第 4 周：算出均分，与基线对比
• 第 4 周：写完一页复盘（保留 / 砍掉 / 改）

“复述测试”评分表（12 分）

它和第 02 章的闭卷五问是同一个标准的粗细两个版本：五问用来快速判断过不过，这张表用来追踪分数的变化。评分时先自己对照原文打分，再用核验器查第 5 项的原话，不要凭感觉给自己加分。

10–12 分：读懂；7–9 分：读到了文本基础，情境模型还没建起来（多半是第 4、6 项低）；6 分以下：读过，但没读懂。第 4 周如果第 4、6 项仍然偏低，说明问题不在读，而在“质疑”这一环——这时候该多做的是第 07 章的“先写自己的版本再让 AI 反驳”，而不是更多的摘要。

提示词与 Skill 库

下面 11 个提示词都可以直接复制。它们遵循同一套写法，每条都有对应的依据或设计理由；写法之外，更重要的是每条注明了什么时候用、期待什么输出格式、最常见的坏用法。

写法的五条共同约束

• 文档在前，指令在后。Anthropic 的长上下文建议是把长输入放在 prompt 顶部、查询放在末尾，并用标签结构化多文档；官方称“最多提升 30%”，但我只见到转述，没有读到原文措辞，也没有可复核的实验设置[14]，所以只当作一个有依据的默认写法。
• 用结构代替祈使。不写“请准确”，而是规定必须出现的表格、必须带的位置和引文[2]。
• 每条规则都留“原文未提及”的出口。[10]
• 输出必须可核验。引文能被脚本查，数字能被脚本查，位置能被人查。
• 区分来源。凡是用到外部知识的，要求标 [扩充]，不混进原文或转述。

占位符统一写成 {{…}}，复制后替换。提示词里的 <document> 是普通文本标签，不是代码。

十一个提示词

<document>
{{原文全文}}
</document>

你是“原文摘录员”，不是总结者。只做抽取，不做总结、不做评价、不补充外部知识。

1. 小节表：按原文顺序列出所有小标题，编号 §1、§2……；没有小标题就按话题切成 4–10 节并自拟中性标题。
2. 逐字引文：每节摘 1–3 条最关键的原话。
   - 逐字照录，不改字、不改标点；删去中间内容用“……”，补充语境用全角［ ］；
   - 每条不超过 150 字，最后一行单独写位置：〔§2 小标题〕；无小标题写〔第N段〕；
   - 不确定是否原话的内容，不得放进引用块。
3. 限定条件与数字清单，输出为表格：位置｜类型｜原话。类型只能是 限定 / 数字 / 例外 / 反例 / 犹疑。
   把每一处“只、仅、在……条件下、可能、似乎、但是、除非”以及每个数字、样本量、年份、百分比、人名都列进去。
4. 原文没有谈到、或你无法在原文中找到依据的内容，一律写“原文未提及”，不得推断补全。

输出只包含以上四部分，不要前言，不要总结。

<document>
{{原文全文}}
</document>
<summary>
{{待审计的摘要或卡片}}
</summary>

逐条对照原文与摘要，只检查三类问题：
A. 量化变泛称（如“37 人中的 29 人”变成“大多数人”）；
B. 时态改变（过去时的实验结论被写成现在时的一般规律）；
C. 描述变建议（原文只描述发生了什么，摘要写成了“应该”）。
另外检查：摘要里每个数字、样本量、百分比是否与原文一致；原文的限定语（只、仅、在……条件下、可能）是否保留。

输出表格，只列有问题的条目：
原文位置｜原文逐字｜摘要里对应的话｜问题类型 A/B/C/数字/限定丢失｜建议的修正写法
表格后给出汇总：共检查多少处、有多少处有问题。找不到对应内容时写“摘要未涉及”，不要猜。

<document>
{{原文全文}}
</document>
<card>
{{待审计的卡片}}
</card>

任务：找出原文里没有进入卡片的内容。
1. 先列出原文的小节表（§序号 + 标题 + 大致位置百分比）。
2. 逐节判断：卡片的脉络或要点里是否有对应条目？列成表：小节｜是否有对应｜对应的卡片条目。
3. 对“没有对应”或“只部分对应”的小节，列出被遗漏的论点、例子、数据、反例、限定条件。每一项必须附原文逐字引文和位置〔§n〕；找不到引文的项不要列。
4. 单独标出位置在 40%–70% 的小节，逐一说明它们在卡片里的覆盖情况。
5. 最后只回答一个问题：如果读者只读这张卡，会对作者产生什么样的误解？必须用一两句话，并引用上面表中的条目作为依据。

不要重写卡片，不要给总体评价。

<document>
{{原文全文}}
</document>
<card>
{{已核对的卡片}}
</card>
<mine>
{{我自己写的三句话主旨 + 我的思考草稿}}
</mine>

你是追问者，不是评审，也不是我的同意者。请按顺序输出，不要先评价我的草稿好不好：
1. 对作者核心论证的 5 个最强反驳。每个反驳标注类型：[内部矛盾]（原文自己的前后不一致，必须附逐字引文和位置）或 [外部反驳]（依赖外部知识，标 [扩充]，写出可检索的依据，没有依据就写“无依据，仅为猜测”）。
2. 作者没有回答的 3 个问题。
3. 在原文的限定条件下，哪些结论不能推广？每条附原文位置。
4. 我的草稿中，哪些断言原文并不支持？逐条列出，并说明缺的是证据还是推理步骤。

四部分输出完毕后，再问我一个问题：“你的立场是什么？”不要在此之前猜测或迎合我的立场。
如果我随后反问“你确定吗”，请重新引用原文里支持和反对该判断的各两句话并给出位置，而不是道歉改口。

<document>
{{原文全文}}
</document>

对这篇文章的核心结论做红队。核心结论是：{{一句话结论}}

1. 先判断它的论证类型（因果 / 相关 / 类比 / 经验归纳 / 权威），并写出论证链：主张 → 理由 → 证据 → 隐含前提。
2. 找出 3 个最薄弱的环节，每个环节分别回答：
   - [内部] 原文自己是否有矛盾或未交代之处？附逐字引文和位置。
   - [外部] 有什么外部知识能反驳？标 [扩充]，给出可检索的依据；没有就写“无依据”。
3. 给出“如果这个结论是错的，最可能错在哪”的一个假设，以及一个可以检验它的具体观察。
全程不要使用“可能……也许……”之类没有信息量的词来凑数；找不到就写“未找到”。

<document>
{{原文全文}}
</document>

请用作者本人最愿意接受的方式，写出这篇文章主张的最强版本（不超过 200 字），要求：
1. 每一个主张都能在原文里找到依据，在句末用〔§n〕标注位置；超出原文的补充必须标 [扩充]。
2. 再列出作者会认可的三类证据，说明各自能支持哪一步论证。
3. 最后指出：这个最强版本里，哪一个前提最需要被检验？
不要评价它对不对，也不要给出你自己的结论。

<document>
{{原文全文}}
</document>

下面是文章的论证链：{{主张 → 理由 → 证据}}
我的领域是：{{例如 Blender 建模 / 剪辑节奏 / 版式设计}}

请给出 3 个类比，每个都按下面格式输出，整个回答开头标注 [扩充]：
1. 映射表：原文概念 → 我的领域里的对应物（至少 3 行）。
2. 这个类比能帮我提出什么可以检验的假设？
3. 失效点：类比在论证链的哪一步不成立？必须具体到一步推理，不能写“当然不能完全类比”。
不要把类比当作证据，不要得出结论。

<document>
{{原文全文}}
</document>

第一轮：只出题，不给答案。共 8 题：3 题事实检索（答案是原文里的具体数字、名称或条件）、3 题推理（需要把原文两处内容联系起来）、2 题迁移（把原文的论证用到一个新场景）。每题后不要附任何提示。
等我回答后，进入第二轮：
- 逐题评分（对 / 部分对 / 错），
- 每个扣分点必须附原文逐字引文和位置，
- 遇到我的回答超出原文的部分，标注 [推断] 或 [扩充]，不要直接判错或判对。
没有收到我的回答之前，不要进入第二轮。

<document>
{{原文全文}}
</document>

下面是 5 个问题，其中至少 1 个原文并没有谈到。请逐题回答：
- 如果原文回答了，给出逐字引文和位置，再用一句话转述；
- 如果原文没有回答，只写“原文未提及”，不要用常识、推测或类似文章的内容补充。

{{问题 1}}
{{问题 2}}
{{问题 3}}
{{问题 4}}
{{问题 5}}

<document>
{{原文全文}}
</document>
<card>
{{待标注的卡片}}
</card>

给卡片的每一句话标注图层，格式：[层] 原句。
- [原文]：在 > 引用块里的逐字内容；
- [转述]：忠实转述作者的意思，不含评价；
- [推断]：从原文推出但原文没明说的；
- [扩充]：来自原文之外的知识、类比、例子。
然后输出违规清单：
1. 引用块里出现了非原文的内容；
2. 转述区里夹带了评价、推断或扩充；
3. [扩充] 没有来源也没有“来源待查”；
4. 一句话混合了两个图层（请拆开）。
违规清单每一项写出所在的原句。找不到违规时写“未发现”，不要凑数。

<document>
{{原文全文}}
</document>

只做分诊，不要写总结。输出：
1. 小节表（§序号 + 标题 + 位置）。
2. 3 条最有信息量的逐字引文，带位置〔§n〕，覆盖不同小节。
3. 判断“值得精读 / 快扫即可 / 不值得读”，并用一句话说明依据；依据必须引用上面某条引文的编号，或指出文中某个具体数字或限定条件。
4. 这篇文章在做论证，还是在转述资讯？一句话回答。
禁止：转述文章的结论，禁止用“本文主要讲了”开头。

一份可放进 ~/.claude/skills/deep-reading/SKILL.md 的 Skill 草案

Skill 是 Claude Code 里一个带 frontmatter 的 Markdown 文件。下面的草案把前面的协议固化成步骤，并和你的《卡片规范》v1.0 保持一致：AI 生成的卡片永远是 inbox；“我的思考”只写“（待补充）”；位置标注用 〔§n 小标题〕。草案假设你把第 05 章的 verify_quotes.py 放在同一个目录里。我没有在本机安装并运行这个 Skill——触发条件是否灵敏，需要你试几次后调整 description。

---
name: deep-reading
description: 对长文、论文、访谈转写稿做“保真精读”：先抽取逐字引文、位置、限定条件与数字清单，用脚本核验引文，再按《卡片规范》输出 inbox 状态的文献卡。用户说“精读”“做卡片”“总结这篇文章”“帮我核对这张卡”时使用。不得代替用户阅读，不得替用户写“我的思考”。
---

# 保真精读（deep-reading）

## 目标
把一篇文章变成一张**可审计**的文献卡：每一处原话能被脚本核验，每一个数字和限定条件有清单，AI 不写“我的思考”。

## 硬规则（禁止项）
- 禁止在抽取阶段写总结性句子；禁止在引用块里放转述或评价。
- 禁止补充原文没有的内容。原文没谈到的，写“原文未提及”。
- 禁止把卡片状态写成 draft 或 done。AI 生成的卡片永远是 `status: inbox`。
- 禁止填写“我的思考”，只写“（待补充）”。
- 禁止用另一个模型的自评代替脚本核验。
- 不把 [扩充]（外部知识、类比、例子）写进卡片。讨论中产生的扩充只留在对话里，由用户自己决定是否写入“我的思考 / 关联”，并带上 [扩充] 标记和来源（或“来源待查”）；任何情况下都不得混进转述或引用块。

## 步骤
1. **确认输入**：原文文件路径、来源类型（article/video/paper……）、是否已有用户自己的三句话主旨。没有就先提醒用户：精读的第一步是用户自己读完并写三句话，再继续。
2. **第一遍：抽取**，写入 `extract.md`：
   - 小节表（原文有小标题时数量必须一致）；
   - 每节 1–3 条逐字引文，格式 `> 原话` + `> 〔§n 小标题〕`，每条不超过 150 字，省略用“……”，补充用全角［ ］；
   - 限定条件与数字清单：位置｜类型(限定/数字/例外/反例/犹疑)｜原话。
3. **核验**：运行 `py -3 "$HOME/.claude/skills/deep-reading/verify_quotes.py" 原文.txt extract.md`。
   - 有“找不到” → 把这些引文从 extract.md 删除并重抽，直到退出码为 0；
   - “仅空白或标点不同” → 回原文确认，按原文修正。
4. **第二遍：写卡片**，只使用 extract.md 里已核验的材料。每个转述句末用 `〔引文编号〕` 指回依据；数字与限定条件必须与清单一致。
5. **遗漏审计**：对照小节表，列出没有对应条目的小节与论点（每项附逐字引文）；中段（40%–70% 位置）单独检查。把结果附在卡片顶部 callout。
6. **交付**：给出 verify 结果、遗漏审计结果、以及“用户必须自己做的三件事”：抽查 3 处转述、核对 [扩充]、亲自写“我的思考”。

## 输出格式（对齐《卡片规范》v1.0）
- frontmatter：title、type=literature、source_type、source、author、url、published、created、updated、status=inbox、tags(1–3 个)、aliases、source_length。
- 正文标题固定：# 标题 / ## 一句话主旨 / ## 文章脉络 / ## 核心要点（### n. 陈述句要点标题）/ ## 精彩原文摘录 / ## 我的思考 / ## 关联。
- 一句话主旨 50–120 字，含“结论 + 理由”；核心要点 4–10 个，每个有转述段（80–250 字）和 1–3 个引用块；原文摘录占卡片 30%–40%，不低于 25%。
- 原文是英文时，引用块保留英文并在同块写“译：……”。

## 读后追问模式（仅当用户已提供“自己的版本”时）
先输出：对核心论证的 5 个最强反驳（[内部矛盾] 附引文；[外部反驳] 标 [扩充]）、作者未回答的 3 个问题、不能推广的结论、用户版本中原文不支持的断言；然后再问用户的立场。被反问“你确定吗”时，重新引用原文证据，不要道歉改口。

放置方式：创建目录 ~/.claude/skills/deep-reading/，把上面内容存为 SKILL.md（UTF-8 无 BOM），再把 verify_quotes.py 复制到同一目录。如果你在 Windows 上，~ 在 Git Bash 里指向用户目录。frontmatter 的 description 决定它何时被触发，写得越具体越好。

反方与局限：我们可能错在哪

一份主张“让损失显式化”的报告，自己的损失也得摆出来。下面不是礼节性的免责声明，而是十二处如果错了会改变结论的地方，以及什么证据会让我改口。

十二处薄弱点

1. 证据的靶心偏了。已核实的证据来自科学摘要[2]、单句新闻摘要[1]、小说书摘[4]、联网新闻问答[6]、多文档基准[10]。没有一项直接测量“给定一篇论证型长文，AI 摘要在限定条件、论证链上的损失，以及读者读完后的理解变化”。我把它们拼成一幅图，拼接处是推断。
2. 支柱性主题没有核实。“摘要入口变便宜会降低阅读”（注意力环境）、“流畅感制造掌握错觉”、“AI 辅助会改变学习结果”、“AI 追问有助于建构”——这四条是整份报告的叙事支柱，对应的文献在本次调研里都未核实，文中已标 ◇。一旦它们被证据推翻，第 01、07、09 章的推理需要重写，第 04、05 章（有直接证据）则基本不受影响。
3. 模型版本会让数字过时，甚至让方向反转。我用到的模型大多是 2020–2025 年的版本。Peters 与 Chin-Yee 的结果还显示，较新的模型过度概括更严重而不是更轻[2]；那么 2026 年的模型是更好还是更差，我不知道。“模型进步了所以协议不需要”和“模型进步了所以协议更重要”，现有证据两边都不支持。
4. 协议有真实的成本。一篇精读档的文章，第 1–6 步合计 40–70 分钟，对比快扫的 5–10 分钟，多了一个数量级。还有看不见的成本：多次模型调用的费用、整理清单的注意力、以及把阅读变成“完成流程”的风险——流程感可能取代理解感，这本身就是另一种掌握错觉。
5. 不是所有文章都值得。第 06 章的分诊规则也只是经验设定，分错档的代价没有测过。把兴趣阅读强行纳入协议，很可能让你不再读下去；《卡片规范》的示例文章里作者也说“不是所有的阅读都要变成笔记”。
6. AI 核验也会错。协议里只有“引文逐字存在”是确定性检查。限定条件清单、遗漏审计、追问都由 LLM 完成，而 FABLES 显示 LLM 自动打分器与人工的相关性不强、抓不出不忠实的 claim[4]。所以清单可能漏项，审计可能误报。我给的对策是“要求每项附逐字引文”，让它们至少可以被抽检，但这不等于它们正确。
7. 脚本通过会制造假安心。逐字存在的引文可以被断章取义，可以被放在错误的论点下。官方 Citations 能力同样如此：引用对不代表理解对[15]。这套流程里“脚本全绿”那一刻，恰恰是人最容易放松的一刻。
8. 个体差异与 ICAP 非通用。ICAP 被批评为外显行为不能判定内部过程、排序没有普适性[17]。对某些读者或某些文本，先看一遍摘要再读原文，也可能更好。我反对“读前代读”是基于推断与迎合风险，不是基于对比实验。
9. 迎合的缓解没有验证。“先盲写、后披露立场”是我设计的，依据是 2023 年模型上的迎合证据[8]。它是否真的降低了迎合，要用你自己的“你确定吗”月度自检去看。
10. 厂商数据是自测。“引文先行”的最强支持来自 Anthropic 自己的实验[13]：70K/95K token、多选问答、2023 年模型。它没有被独立复现，任务也不是摘要。
11. 多个条目只读到摘要或二手转述。[7] [10] [11] [12] [14] [18] [19] 在笔记里分别标为“只见二手”“只读摘要”。它们在文中只用于定性说法，不单独撑起结论，但这意味着我对它们的细节没有把握。
12. 本报告自己的框架没有验证。九类损失的分类、“搬运 vs 理解”的可核验性判据、闭卷五问、分诊阈值、时间预算、四周计划，都是我的设计，标了 ◇。它们逻辑上自洽，但自洽不是有效。

对你原来观点的修正

你一开始的直觉大致是：“AI 总结有损，所以需要保真的做法”。这个方向我认为是对的，但有四处需要修正：

什么证据会让我改口

结论与一页清单

三句话带走：摘要是有损压缩；把损失写出来并能被查；理解留给自己，AI 只做追问者。

一页清单

• 读完先盖住原文，写三句话主旨 + 一个限定，再碰 AI
• 先分诊（第 06 章）：这一篇是快扫、精读还是研读？
• AI 第一遍只抽取：小节表 + 逐字引文〔位置〕 + 限定条件与数字清单，不要总结
• 引文跑核验（实验室 2 或 verify_quotes.py）；“找不到”的作废；“仅标点不同”的回原文看
• 第二遍只用已核验材料写分层输出；原文没谈的写“原文未提及”
• 抽检至少 3 处转述；清单里的数字逐条在卡片里找得到
• 遗漏审计：特别看中段；每个遗漏项都附逐字引文
• 追问放在读后：先盲写让 AI 红队 / steelman，再披露立场；被反问时要证据，不要道歉改口
• 讨论中产生的新内容按四图层标注，[扩充] 不进转述区，带来源或“来源待查”
• “我的思考”自己写；AI 生成的卡片保持 inbox，直到核验和抽检做完
• 1 天 / 1 周 / 1 个月后闭卷五问，记录通过率
• 每月一次：埋针测试、“你确定吗”自检、复盘哪些步骤可以砍

流程要服务理解，而不是成为新的仪式。哪一步让你不再想读了，就砍掉哪一步。— 本报告的最后一条规则

来源与证据等级

核验状态说明：“已打开原文”= 调研时读到全文或相关正文；“只读到摘要”= 只读到 abstract；“只见二手”= 只看到第三方转述或搜索结果摘要，数字需回到原文核对。第 20–23 条是我凭已有知识补充的经典理论，未在本次调研中核实，其链接是检索页而非论文直链，文中没有引用它们的任何数字。

1. On Faithfulness and Factuality in Abstractive Summarization（Maynez, Narayan, Bohnet, McDonald, 2020, ACL 2020）ACL Anthology ● 强 已打开原文。支持：外在幻觉常见且多半是错的；局限：2020 年模型、单句极端摘要，数字不可外推。
2. Generalization bias in large language model summarization of scientific research（Peters & Chin-Yee, 2025, Royal Society Open Science 12(4): 241776）PMC 全文 ● 强 已打开原文。支持：限定条件丢失的三种形式、4.85 倍与 1.9 倍的两个比值；局限：科学摘要，2025 年模型，“反讽反弹”仅为假说，未见复现。
3. Lost in the Middle: How Language Models Use Long Contexts（Liu, Lin, Hewitt, Paranjape, Bevilacqua, Petroni, Liang, 2023 / TACL 2024）arXiv ◐ 中 已打开原文。支持：多文档问答与键值检索中的 U 形位置效应；局限：2023 年模型、检索式问答，不是摘要，与 Anthropic 的测试不一致。
4. FABLES: Evaluating faithfulness and content selection in book-length summarization（Kim, Chang, Karpinska, Garimella, Manjunatha, Lo, Goyal, Iyyer, 2024, arXiv 2404.01261）arXiv ◐ 中 已打开原文（正式发表处本轮未核实）。支持：26 本小说、3,158 条 claim 的人工核查，忠实率、遗漏与位置偏差，自动打分器不可靠；局限：虚构类、2024 年上半年模型。
5. From Sparse to Dense: GPT-4 Summarization with Chain of Density Prompting（Adams, Fabbri, Ladhak, Lehman, Elhadad, 2023, arXiv 2309.04269）arXiv ◐ 中 已打开原文（正式发表处本轮未核实）。支持：信息量与可读性的权衡；局限：约 70 词的新闻摘要、100 篇、部分评分用 GPT-4 自评。
6. News Integrity in AI Assistants（EBU & BBC, 2025-10-22）EBU 官方 PDF ◐ 中 已打开原文。支持：2,709 条回答、45% 有重大问题，编造与改写引语、出处错位；局限：测的是联网新闻问答而非摘要，非同行评审，评估者是记者，2025 年 5–6 月。
7. AI Document Summarisation 概念验证（ASIC × AWS, 2024；经澳大利亚参议院质询答复公开）aph.gov.au ○ 弱 只见二手转述（原文站点调研时无法访问），数字需回原 PDF 核对。支持：评审认为 AI 摘要常漏掉强调与细微差别；局限：Llama2-70B、5 份材料、单一时间点。文中不引用其具体分数。
8. Towards Understanding Sycophancy in Language Models（Sharma 等, 2023, arXiv 2310.13548）arXiv ◐ 中 已打开原文（发表会议本轮未核实）。支持：5 个 RLHF 助手的迎合表现；局限：2023 年模型，之后改善多少未查。
9. On Positional Bias of Faithfulness for Long-form Summarization（Wan, Vig, Chen, Joty, Bansal 等, 2025, NAACL 2025, arXiv 2410.23609）arXiv ◐ 中 已打开原文（读到摘要与研究问题小结）。支持：长文摘要忠实度的 U 形趋势，仅靠提示缓解收益有限；局限：评测截至 2024 年的模型。
10. How LLMs Hallucinate in Multi-Document Summarization（Belém 等, 2025, Findings of NAACL 2025, arXiv 2410.13961）arXiv ◐ 中 只读到摘要。支持：被问到不存在的内容时仍照样生成；局限：多文档、主题聚焦摘要，“最多 75%”是最不利设置下的数字。
11. Summarization is Not Dead Yet（2026, arXiv 2606.08000）arXiv ○ 弱 只读到摘要，预印本，未见同行评审与外部复现。支持：LLM 摘要主要在流畅度上被偏好，人类参考摘要在信息量与忠实度上仍有优势；局限：未读正文。
12. Vectara Hallucination Leaderboard（新一代榜单，2025 下半年起）GitHub ○ 弱 只见二手转述（页面抓取为空），数字未核实、文中不引用。支持：头条低幻觉率来自短文 + 事实一致性的窄指标；局限：不含遗漏与限定条件。
13. Prompting long context（Anthropic, 2023-12-06 官方博客）anthropic.com ◐ 中 已打开原文。支持：先把相关引文抽到 scratchpad 在所有对比中都有帮助（Claude 2 错误减少 36%）；局限：厂商自测、问答任务、2023 年模型。
14. Long context prompting tips（Anthropic 官方文档）docs.claude.com ○ 弱 只见搜索结果转述，页面对调研环境不可访问，措辞未核对。支持：长文在前、查询在后、先引文后作答的做法；局限：“最多 30%”没有给出任务与基线。
15. Introducing Citations on the Anthropic API（Anthropic, 2025-01-23 官方博客）claude.com ○ 弱 已打开原文。支持：可核验引用已成为官方产品能力；局限：厂商内部评测与客户自述，引用对不等于理解对。
16. The ICAP Framework: Linking Cognitive Engagement to Active Learning Outcomes（Chi & Wylie, 2014, Educational Psychologist 49(4): 219–243）ERIC 全文 ◐ 中 已打开原文。支持：被动 / 主动 / 建构 / 互动的层级，以及“要求写摘要可能退化为复制删除”；局限：理论框架与文献整理，非单项实验。
17. Questioning central assumptions of the ICAP framework（Thurn, Edelsbrunner, Berkowitz, Deiglmayr, Schalk, 2023, npj Science of Learning 8: 49）Nature ◐ 中 已打开原文（读到摘要与引言）。支持：ICAP 的层级排序没有普适性；局限：评论而非新实验。
18. The role of knowledge in discourse comprehension: a construction-integration model（Kintsch, 1988, Psychological Review 95(2): 163–182）PubMed ● 强（理论地位）只读到摘要与二手综述。支持：自下而上的加工与整合；局限：三层表征的区分不在这一篇里（见第 20 条），具体表述只见二手。
19. How to Read a Book（Adler & Van Doren, 1972 修订版）Substack 二手介绍 ○ 弱 只见二手引述，未读原书。支持：四层次与分析阅读的动作、四个问题；局限：方法论，无对照实验，二手介绍可能不准确。
20. Strategies of Discourse Comprehension（van Dijk & Kintsch, 1983）与 Comprehension: A Paradigm for Cognition（Kintsch, 1998）检索页 未在本次调研中核实 经典理论条目，通常被引用为“表层 / 文本基础 / 情境模型”三层表征的出处；这一归属只见二手，没有读到原书。
21. The misunderstood limits of folk science: an illusion of explanatory depth（Rozenblit & Keil, 2002, Cognitive Science）检索页 未在本次调研中核实 经典条目，用于“被要求解释时才发现理解空洞”的概念；文中不引用任何数字。
22. Memory and metamemory considerations in the training of human beings（Bjork, 1994）及“合意困难”相关论述检索页 未在本次调研中核实 经典条目，用于“流畅感不等于长期保持”的概念；文中不引用任何数字。
23. Test-enhanced learning: taking memory tests improves long-term retention（Roediger & Karpicke, 2006, Psychological Science）检索页 未在本次调研中核实 经典条目，用于“检索练习”的概念；文中不引用任何数字。