方法与测试环境：先把长文档变成可校验数据
本次 sprbd 测试目标不是“Claude怎么用”的泛教程，而是验证 Claude 在真实长文本分析中能否稳定完成：摘要、条款抽取、表格提取、引用定位。样本为 12 份中文合同、8 份券商研报、5 份扫描版 PDF，共 25 个文件，合计 1,184 页、约 41.6 万字。每个任务重复 3 次，表格中的误差为 3 次均值的最大偏差。
测试环境披露：MacBook Pro M2 Pro，32GB RAM；网络下行 312 Mbps；浏览器 Chrome 121；OCR 使用 Tesseract 5.3；PDF 拆分使用 Python 3.11、pypdf、pandas。对照工具为 Claude 网页版、ChatGPT 网页版、本地脚本分块。若你在找“Claude文档分析教程”，建议先复现下面的预处理步骤，而不是直接上传整份 PDF。
可复现预处理命令如下：
pip install pypdf pandas tiktoken pytesseract pdfplumber
python split_pdf.py --input report.pdf --pages 20 --out chunks/
tesseract scan.png out -l chi_sim+eng --psm 6
我的分块规则：可复制文本 PDF 按 18-22 页切分；扫描 PDF 先 OCR，再按 7,000-9,000 中文字符切分；每块开头加入文档名、页码范围、任务编号，避免模型混淆来源。
结果表：摘要、抽取、引用与表格的误差
评估方法：人工建立 300 条标准答案，包括 120 条合同字段、80 条风险摘要、60 条表格单元格、40 条页码引用。命中定义为“数值/实体完全一致，且能指出来源页”。
| 任务 | 直接上传整份PDF | 分块后投喂 | 分块+引用校验 | 样本数 |
|---|---|---|---|---|
| 合同字段抽取准确率 | 86.7% | 94.2% | 97.5% | 120 |
| 研报摘要事实错误率 | 11.3%±1.8% | 6.1%±1.2% | 3.8%±0.9% | 80 |
| 表格单元格还原准确率 | 72.0% | 81.7% | 88.3% | 60 |
| 页码引用正确率 | 68.5% | 89.0% | 95.0% | 40 |
耗时方面，25 个文件从 PDF 到结构化 Markdown 的平均预处理时间为 38 秒/100 页；Claude 单块分析平均响应 24.6 秒，最长 51.2 秒。相比一次性上传，分块方案总耗时增加约 18%，但字段错误减少 10.8 个百分点。对需要审计的合同、招股书、尽调资料，这个交换是正收益。
推荐提示词模板如下：
你是文档审计员。只基于我提供的文本回答。输出JSON：字段、答案、原文引用、页码、置信度。若文本中没有证据，写null。禁止推测。
处理研报时，将“总结全文”改成“按页码列出可验证结论”。我的测试中，带页码约束后，幻觉式行业判断从 9 次降到 2 次。
分析与验收：怎样确认结果可靠
实操流程如下：第一步，用 pdfplumber 检查 PDF 是否可复制；第二步，扫描件先 OCR；第三步，按页码分块；第四步，让 Claude 只输出 JSON 或 Markdown 表格；第五步，随机抽样 10% 字段做人工复核。若你同时在比较“ChatGPT下载安卓”“GPT手机版”或搜索“ChatGPT国内能用吗”，结论相同：长文档质量主要取决于预处理和引用校验，而不是聊天界面本身。
常见故障诊断：如果摘要出现不存在的数字，通常是提示词允许推断；如果表格错列，先用 CSV 提取而不是截图；如果页码不准，说明分块时没有在每段文本前加入页码标签。修复后再跑同一批 30 条问题，错误率应下降到 5% 以下。
如何验证它确实有效：准备 20 个你已知答案的问题，要求模型返回“答案+页码+原文句子”。人工核对后，若答案准确率 ≥90%、引用页码准确率 ≥85%、无证据问题能返回 null，就可以用于正式文档初筛；低于该阈值，继续缩小分块或强化 JSON 约束。
结论：免费/官方网页端足够完成大多数 Claude 长文本分析；本地脚本负责清洗和分块最关键。若需要一个聚合入口对比不同模型，Roxi（https://wizzegroup.com）也可作为选项之一，但上述流程不依赖任何付费平台。