把一份几十页的报告直接丢给AI说”帮我总结”，得到的多半是一份平均用力、抓不住重点的流水账。问题不在模型，而在指令：一次性要求太多，每件事都做不深。本文介绍分层指令写法，把长文档摘要拆成分块抽取、全局整合、按用途裁剪三层，逐层给出可直接套用的写法。
为什么直接丢一句”帮我总结”效果差
先看问题出在哪。一句”帮我总结这份文档”，同时要求模型完成三件互相牵制的事：读完、判断重点、决定输出形式。而你对”重点”的定义模型并不知道——你要的是决策依据还是执行清单？要给领导看还是自己存档？这些信息缺失时，模型只能输出一个”对所有人都有用、对谁都不够用”的通用摘要，面面俱到却没有锋芒。
更现实的约束是长度。文档太长时，一次处理还会带来前后不均的问题：前面的章节被概括得细，后面的被一带而过，模型对中间部分的记忆力也明显衰减。分层指令就是为了同时解决这两个问题：让每一轮指令只做一件事，把”读懂”和”写好”分开处理，每一步都处于模型状态最好的工作区间。
分层思路：把摘要拆成三道工序
分层写法的骨架是三道工序。第一道是分块抽取：把长文档切成若干部分，让模型逐块提取要点，保证每一段都被平等对待。第二道是全局整合：把各块的要点合并，去重、归组、排序，形成一份结构化大纲。第三道是按用途裁剪：根据这份摘要实际要给谁看、用来做什么，裁剪成不同版本。
三道工序各自独立，每一层的输出是下一层的输入，任何一层不满意都可以单独重做，不用从头再来。这也是它比”一句到底”更可控的根本原因：出了问题，你能定位是哪一层的问题，改哪里、怎么改一目了然。
第一层：分块抽取要点的指令写法
第一层的指令可以这样写：”以下是报告第1至10页的内容。请提取其中的要点，规则如下：每条要点一句话，保留具体数字、日期和结论；区分事实与观点；不要补充文档以外的信息；按原文顺序输出编号列表。”然后分块重复这个过程。
两个细节决定这一层的效果。一是切块大小：以模型一次能从容处理为度，通常几千字一块，宁小勿大，块与块之间留少量重叠，避免关键句正好被切断。二是守住”不添加”的约束：摘要最怕模型用自己的知识脑补，明确写上”仅基于原文”，并在核对时抽查几条要点能否在原文中找到出处。这一层做完，你手里就有了一份覆盖全文、颗粒度一致的要点清单。
第二层：全局整合与结构化输出
第二层把散落各块的要点收拢。指令示例：”以下是从一份报告各章节提取的要点清单。请完成整合：合并重复内容；把要点归入3至5个主题；每个主题内按重要性排序；最后给出全文的三句话核心结论。”这一层的重点是”归组”和”取舍”：归组决定读者先看到什么，取舍决定保留下来的信息密度。
输出形式建议固定为结构化大纲——总论点、分主题、支撑要点，层级清楚，后续裁剪时也方便按块取用。如果你对结构没把握，可以让模型同时给出两种整理方式，对比之后再定稿。整合后的这份大纲，就是全文的”骨架摘要”，通常几百字，已经能覆盖绝大多数汇报和存档场景。核对整合稿时有个实用技巧：抽查两三个主题下的要点，回到原文确认没有张冠李戴，整合环节最常见的错误，就是跨章节归组时把相近的概念混在一起。
第三层：按用途裁剪，一稿多用
第三层按用途裁剪，这一层最容易被忽略，却最能体现摘要的价值。给领导的版本：只保留核心结论、关键数据和风险提示，一屏读完；给执行同事的版本：突出行动项、责任人和时间要求；自己存档的版本：保留完整大纲和出处页码，方便日后回查。
裁剪指令写起来很简单：”基于以上大纲，为不熟悉该项目的管理层生成不超过300字的摘要，先结论后依据。”同一个大纲，换一组约束就得到一个新版本，三十秒出三份对口材料。一稿多用，才是分层写法真正的效率来源，也是它和”每次重新总结一遍”拉开差距的地方。
结语
长文档摘要的分层指令写法，本质是把”一次做完”改成”分步做稳”：分块保证覆盖，整合保证结构，裁剪保证对口。第一次用会觉得步骤多，但把三段指令模板存下来之后，每次只是填空。这套思路同样适用于其他长内容的处理，比如用AI写长文时的分节生成，两者流程相通，可以参考这篇AI写作工具长文创作的拆解；想系统提升指令质量，可以配合这套提示词通用结构一起使用；具体到改写和追问的技巧，这篇ChatGPT提示词技巧讲得更细。