核心用法
long-document-reader 是一款专为突破AI上下文限制而设计的文档处理技能。它通过三层架构将冗长的学术或技术文档转化为可高效检索的知识库：
1. 智能拆分层：自动识别文档标题层级（#、##、1.、1.1等），将长文档切割为独立章节文件，采用{序号}_{标题}.md规范命名，存储于./chapters/目录
2. 摘要结构化层：为每章生成机器可读的JSON摘要，包含章节ID、标题、200-300字核心摘要、关键词、关键要点及关联章节，存储于./summaries/目录
3. 全局导航层：聚合所有摘要生成MASTER_INDEX.md，提供文档鸟瞰视图，支持跨章节高效检索
典型工作流：用户上传长文档 → 系统自动分章 → 生成结构化摘要 → 构建索引 → 用户通过MASTER_INDEX.md快速定位，再按需调取特定章节深入分析
显著优点
- 突破上下文瓶颈：将数万字文档转化为轻量级索引，使大模型能"读完整本书"
- 双重检索模式：全局概览（Master Index）与精准深潜（单章节原文）灵活切换
- 机器友好格式：JSON结构化摘要便于AI解析、关联推理与自动化处理
- 可复用知识库：生成文件系统可长期保存，支持多轮对话与持续查询
- 智能结构识别：自动识别多种标题层级，无需人工预设分章规则
潜在局限
- 摘要质量依赖模型能力：复杂学术内容的精准提炼受限于底层LLM的理解水平
- 结构识别偶有偏差：非标准格式文档（如扫描版PDF、无标题层级文本）可能分章不准
- 关联章节推断有限：跨章节语义关联依赖显式引用，深层隐式关联可能遗漏
- 存储开销倍增：原文+摘要+索引三重存储，对极长文档占用空间较大
- 实时更新成本高：文档修订后需重新执行完整流程，不支持增量更新
适合人群
- 研究人员：处理长篇论文、综述、学位论文，需快速把握全貌再深入细节
- 知识工作者：将企业报告、技术文档、法规文件转化为可查询知识库
- AI产品经理：为RAG系统构建结构化文档输入，提升检索增强生成效果
- 学生与自学者：高效阅读教材、专著，建立个人知识管理系统
- 法律与金融分析师：处理冗长合同、招股说明书、监管文件
常规风险
- 信息损耗风险：摘要过程必然丢失细节，关键决策前务必核对原文
- JSON解析失败：极少数情况下模型生成格式不规范的JSON，需人工校验
- 分章边界错误：自动识别可能将紧密关联内容拆散，或合并逻辑独立章节
- 版权合规：处理受版权保护文档时需确保使用权限，生成摘要通常属合理使用范畴
- 依赖模型可用性：完整流程需多次调用LLM，存在API成本与稳定性考量