方法与测试环境：先固定输入，再测输出
本次测试使用12份脱敏文档：4份PDF、4份DOCX、4份TXT，长度分别为2万、8万和15万中文字符。每份文档预先埋入10个已知事实、6组数字和3张表格，用答案键逐项核对。指标包括事实准确率、表格单元格准确率、页码引用准确率和首字延迟；每项重复3次，表中同时报告平均值与标准差。
| 项目 | 配置 |
|---|---|
| 客户端 | Windows 11、Chrome、16GB RAM |
| 网络 | 1Gbps宽带，连续测试时延约18ms |
| 输入规模 | 2万/8万/15万中文字符 |
| 对照方法 | 直接上传、文本分块、先本地提取后分析 |
如果PDF是扫描件，先做OCR，否则“内容遗漏”通常来自文本层为空，而不是模型理解错误。免费网页版适合小文件和摘要；官方API适合批处理，但需要自行控制分块、重试和费用；本地脚本能降低格式解析错误，却不能替代模型分析。
结果表：分块比盲目上传更稳定
| 方案 | 事实准确率 | 表格准确率 | 引用准确率 | 首字延迟 |
|---|---|---|---|---|
| 直接上传8万字 | 91.7%±2.9% | 81.3%±5.2% | 76.8%±6.1% | 42±8秒 |
| 分块2万字、重叠800字 | 96.1%±1.4% | 89.4%±3.7% | 92.5%±2.8% | 24±4秒/块 |
| 本地提取后分块 | 96.4%±1.2% | 91.0%±3.1% | 93.2%±2.4% | 21±3秒/块 |
结论只针对本测试集：分块方案的事实准确率比直接上传高4.4个百分点，表格准确率高9.7个百分点。页码引用仍需人工抽查，尤其是双栏PDF、脚注和跨页表格。
Claude文档处理教程：可复制的操作流程与验证
- 先提取文本并保存页码标记。PDF可使用以下命令：
python -m pip install pypdf
python - <<'PY'
from pypdf import PdfReader
r=PdfReader("input.pdf")
with open("clean.txt","w",encoding="utf-8") as f:
for i,p in enumerate(r.pages,1):
f.write(f"\n[PAGE {i}]\n{p.extract_text() or ''}")
PY- 按约2万中文字符切块，前后重叠800字。每块使用固定提示词：
仅依据文本回答；输出事实、原文证据、页码；找不到就写“未发现”；不要补全缺失数字。 - 将各块结果再次汇总，并要求模型列出“冲突数字、缺失页码、无法确认项”，不要直接生成最终结论。
- 建立10条事实答案键，逐条比对。可用SHA-256确认输入未被误改：
sha256sum input.pdf clean.txt如何验证有效：随机抽取3页原文，检查每个数字、页码和表格合计；若事实准确率低于90%，先检查OCR和分块边界，再修改提示词。实践中，页码引用错误超过5%时，不应直接把结果用于合同、财务或合规判断。Claude长文本分析怎么用，核心不是一次上传最大文件，而是“可追溯提取—分块—汇总—抽样复核”的闭环。