Codex的PDF处理被建议“分段处理、限定页码范围、不要整份塞进一次任务”，但文献综述的本质恰恰是“跨多篇论文建立联系”，当每篇论文都被分块读完、块与块之间的关联没有被任何Skill显式维护时，综述的“综合”到底发生在哪个环节？

一、问题的提出：分块读取与跨篇综合之间的结构性裂缝

把一份几十页的PDF整份塞进一次任务，在工程上几乎必然失败：上下文窗口会溢出，注意力会被稀释，长距离依赖的召回率随距离衰减，输出还容易在中段“漂移”。因此“分段处理、限定页码范围、不要整份塞进一次任务”这条建议本身是合理的工程约束，它对应的是检索增强生成（Retrieval-Augmented Generation，RAG）中长期被验证的经验：把长文档切成块（chunk），逐块嵌入、逐块检索、逐块生成，可以在有限上下文预算下维持可用的召回率。问题不在分块，而在于分块之后，块与块之间、篇与篇之间的关联由谁维护。

文献综述（literature review）的本质任务不是“读完每篇论文”，而是“在论文之间建立可比、可辩、可追溯的联系”：哪两篇在同一个问题上给出了冲突结论，哪一篇的方法被后一篇改进，哪一组实验共享同一数据集因而可以横向比较，哪一条理论线索在三年内发生了范式转移。这些联系在单篇论文内部往往并不显式存在，它们只在跨文档的比较关系中才成立。当每篇论文被独立分块读完，而没有任何Skill（可复用的任务能力单元）显式维护这些跨块、跨篇关系时，一个自然的技术追问就出现了：综述的“综合”到底发生在哪个环节？

笔者认为，这个追问的答案并不神秘，但它足以暴露当前多数PDF处理管线的设计盲区：综合并不会自动发生在“阅读”环节，它要么发生在某次被迫的“全局重读”里，要么发生在模型隐式的参数化先验里，要么——在工程上唯一可控的路径——发生在一个显式维护关系状态的中间层里。本文的主线即围绕这一判断展开：把“综合”从阅读动作中剥离出来，重新定位为一种状态更新过程。

核心命题：分块读取解决的是“装得下”的问题，跨篇综合解决的是“连得起”的问题。二者不是同一类问题，不能用同一种手段（扩大窗口或增加分块）来同时解决。

二、背景与问题定义：PDF管线、上下文窗口与“综合”的可操作含义

2.1 PDF处理管线的典型分层

一个典型的PDF处理管线可以拆成四层：解析层（版面分析、阅读顺序还原、表格与公式抽取）、切分层（按页、按节、按语义段落切块）、表示层（文本嵌入、结构化抽取、元数据标注）、生成层（检索、拼接提示、生成回答）。Codex类工具在工程上被建议“限定页码范围”，本质是在解析层与切分层之间做预算控制，避免单次任务承载过多token。这一约束在单文档问答场景下几乎无损，因为答案通常落在局部块内；但在综述场景下，答案恰恰落在块与块之间的空隙里。

本文评述：把综述任务等同于“对每篇论文做摘要再拼接”，是一种常见的工程简化，但它在信息论上是有损的。拼接式摘要保留的是各篇的内部信息，丢弃的是篇间的比较信息，而后者才是综述的增量价值所在。换言之，分块管线优化的是“单块保真度”，综述需要的是“块间保真度”，两者的优化目标并不一致。

2.2 “综合”的可操作定义

为了避免“综合”沦为不可检验的修辞，本文给出一个可操作定义：综合是指在给定论文集合上，产出一组带证据锚点的关系断言，每条断言至少连接两个文档实体（论文、方法、数据集、结论），并附有可回溯到原文位置的证据片段。按这个定义，综合的产物不是一段流畅的文字，而是一张关系图加一组可验证的断言。文字只是这张图的线性投影。

这个定义带来一个直接推论：如果管线中不存在承载“关系断言”的数据结构，那么综合就只能依赖生成阶段的临时拼接，其质量随论文数量增长而快速衰减。这正是分块管线在综述任务上的结构性弱点。相关的基础概念可参考RAG原始论文（Lewis等，2020）与长上下文评估的公开讨论，读者也可在arXiv:2005.11401查阅原文。

三、机制剖析：分块之后，信息在哪些环节被丢弃

3.1 三个丢失点

分块管线的信息丢失并非单点，而是分布在三个环节。第一是切分丢失：按固定长度切块会切断跨块的论证链，比如“方法在3.2节提出、在4.1节被实验否定”，两块分开后，否定关系不再同现。第二是表示丢失：嵌入向量压缩的是语义相似度，而非逻辑关系，两篇结论相反的论文在向量空间里可能高度相似，检索会把它们当作同类证据召回。第三是生成丢失：生成阶段只看到被检索到的若干块，未被检索到的块即使包含关键反例也不会进入推理。

本文评述：三个丢失点中，切分丢失是可控的（可用语义切分缓解），表示丢失是结构性的（嵌入天生不擅长表达否定与冲突），生成丢失是最危险的（它让模型在“证据不全”时仍输出高置信度结论）。因此工程重点不应放在“切得更细”，而应放在“把关系显式写下来”。

3.2 为什么“更大的窗口”不能替代关系维护

一个直觉方案是把窗口扩到足够大，一次装下所有论文。但长上下文研究普遍观察到“中间遗忘”（lost in the middle）现象：模型对上下文首尾的信息召回率显著高于中段。即便窗口装得下，注意力分配也不会均匀覆盖全部内容。更关键的是，窗口再大也只是“同时可见”，并不等于“已建立关系”——关系仍需要在生成时被临时推断，而临时推断的稳定性远低于显式存储。

笔者认为，把窗口当作综合能力的替代品，混淆了“可见性”与“结构性”。可见性是必要条件，结构性才是充分条件。综述需要的是后者。关于长上下文召回的实证讨论，可参考arXiv:2307.03172。

四、技术路线：把“综合”外化为可维护的关系状态

4.1 关系状态的三元组模型

本文提出的核心路线是引入一个显式的关系状态层，用三元组（主体，关系类型，客体）承载跨块、跨篇断言，并为每条断言挂接证据锚点（文档ID、页码、字符区间）。关系类型至少覆盖：支持、反驳、改进、复现、共享数据集、方法迁移、结论冲突。这个状态层独立于任何单次生成任务存在，随每次分块阅读增量更新。

{
  "subject": "paper_A#method_X",
  "relation": "outperforms",
  "object": "paper_B#method_Y",
  "evidence": [
    {"doc": "A", "page": 7, "span": [1203, 1388]},
    {"doc": "B", "page": 5, "span": [402, 566]}
  ],
  "confidence": 0.82,
  "status": "pending_verification"
}

本文评述：三元组模型的价值不在于形式本身，而在于它把“综合”变成了可增量、可审计、可回滚的操作。每读一块，只更新与当前块相关的断言，而不是重写整篇综述。这与软件工程中“事件溯源”的思路一致：状态由事件累积而成，任何时刻都可重放。

4.2 综合发生在状态更新环节

回到本文的核心追问：综合发生在哪个环节？在上述路线下，答案是明确的——综合发生在“关系状态更新”环节，而不是“阅读”环节，也不是“生成”环节。阅读环节只负责抽取局部断言，生成环节只负责把状态线性化为文字，真正把多篇论文连起来的是中间的更新动作。这个定位有一个可检验的推论：如果移除状态更新层，综述质量应显著下降；如果保留状态层但更换生成模型，质量应基本稳定。后者正是工程上希望看到的鲁棒性。

为了便于读者动手验证，可参考LangChain关于文档切分与检索的官方教程（Text splitters）与LlamaIndex的关系抽取示例（LlamaIndex Docs），二者都提供了可复用的切分与图结构接口。

五、工程落地：一套可执行的跨块综述流水线

5.1 六步流水线

第一步，解析与规范化：统一版面还原，抽取标题层级、图表标题、参考文献条目，生成稳定的文档ID与页码映射。第二步，语义切分：以章节为一级边界，以段落为二级边界，块长控制在300–600 token，重叠10%–15%，避免切断论证链。第三步，局部断言抽取：对每块抽取“主张—证据—限定条件”三元结构，输出结构化JSON而非自由文本。第四步，关系对齐：把新断言与已有状态比对，判定支持、反驳、改进或无关，冲突时保留双方并标记待核验。第五步，状态合并与去重：同一关系多次出现时合并证据、提升置信度。第六步，线性化生成：从状态图出发，按主题聚类生成综述段落，每段强制引用证据锚点。

5.2 状态存储与检索

状态层建议用图数据库或轻量三元组存储实现，节点为文档实体与概念实体，边为关系断言。检索时不再只做向量相似度，而是“向量召回 + 图邻域扩展”：先召回相关块，再沿关系边扩展一跳，把潜在的反例与改进关系一并带入生成上下文。这一步是缓解“生成丢失”的关键，因为它把未被直接检索到、但与已召回块存在关系的块也纳入了视野。

# 伪代码：图邻域扩展检索
seeds = vector_search(query, top_k=8)
expanded = set(seeds)
for s in seeds:
    expanded |= graph.neighbors(s, hops=1, rel_types=["refutes","improves"])
context = linearize(expanded, max_tokens=6000)

本文评述：图邻域扩展把“关系”从生成阶段的隐式推断，前移到了检索阶段的可控选择，这是整条流水线中性价比最高的一步。它不需要更大的模型，只需要一张维护良好的关系图。

六、关键数据与案例：分块策略对综合质量的量化影响

6.1 一组对照设定

为说明问题，本文构造一组对照设定（以下为模拟数据，用于说明趋势，非真实实验结果）：在30篇论文、约1200页的集合上，比较三种策略——A：整份塞入（受窗口限制，实际只能覆盖约40%内容）；B：分块摘要拼接（块长512 token，无关系层）；C：分块加关系状态层（本文路线）。评估维度为关系断言覆盖率、冲突检出率、证据可回溯率。

本文评述：这组模拟数据的意义不在具体数值，而在趋势——分块拼接相对整份塞入确有提升，但提升主要来自“覆盖更多内容”，而非“建立更多关系”；只有引入状态层，冲突检出率才出现量级变化。冲突检出恰恰是综述最需要、也最容易被分块管线牺牲的能力。

6.2 一个可复现的小案例

取三篇主题相近的论文，分别抽取其“方法主张”与“实验结论”。在无关系层时，三篇的摘要会被并列陈述，读者难以判断孰优孰劣；引入关系层后，系统显式标注“论文二在相同数据集上复现了论文一的方法但报告了更低指标”，并挂接两处证据锚点。这个标注不增加任何新阅读，却把隐含的比较关系显式化了。笔者认为，这类“复现—指标差异”关系是综述中最有价值也最易被遗漏的一类，值得在关系类型中单列。

七、对比与局限：显式关系状态不是银弹

7.1 与既有方案的对比

与“扩大窗口”相比，关系状态层的优势是可控与可审计，劣势是需要额外的抽取与对齐成本。与“多轮摘要压缩”相比，状态层保留了冲突而非消解冲突，更贴近综述的学术要求，但压缩率更低、存储更大。与“知识图谱自动构建”相比，本文路线不追求全自动本体，而是任务驱动的最小关系集，落地门槛更低。本文评述：三者并非互斥，实践中常见组合是“语义切分 + 状态层 + 图邻域检索”，窗口扩展只作为兜底。

7.2 边界条件与失效场景

状态层在以下场景会明显失效：其一，论文间关系以隐式引用为主、正文缺乏显式比较语句时，抽取召回率下降；其二，跨学科术语不一致时，实体对齐错误会污染关系图；其三，论文数量超过数百篇时，状态图的维护成本与噪声同步上升。因此它更适合“中等规模、主题聚焦”的综述任务，而非全领域普查。笔者认为，承认边界比宣称通用更有工程价值。

八、结论与展望：综合发生在“状态更新”而非“阅读”环节

回到开篇的追问：当每篇论文被分块读完、块间关联无人显式维护时，综合发生在哪个环节？本文的结论是，在缺乏关系状态层的管线中，综合要么不发生，要么以不可控的方式发生在生成阶段的临时推断里；而在引入显式关系状态层后，综合被重新定位为状态更新环节的增量操作。阅读负责抽取，状态负责连接，生成负责表达，三者职责分离，综述质量才具备可解释性与可复现性。

展望下一步，值得探索的方向包括：关系抽取的主动学习以减少人工标注、冲突关系的自动核验、以及把状态层作为可复用资产在团队间共享。工程上，建议从“单主题、30篇以内”的小规模场景起步，先把状态更新跑通，再逐步扩大规模。对于希望深入实践的读者，可参考ACL Anthology（aclanthology.org）中关于科学文献摘要与关系抽取的系列工作，以及Papers with Code（paperswithcode.com）上的可复现实现。

主要参考文献

1. Lewis P, et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. NeurIPS, 2020. arXiv:2005.11401.
2. Liu N F, et al. Lost in the Middle: How Language Models Use Long Contexts. TACL, 2024. arXiv:2307.03172.
3. Gao Y, et al. Retrieval-Augmented Generation for Large Language Models: A Survey. arXiv:2312.10997, 2023.
4. Edge D, et al. From Local to Global: A Graph RAG Approach to Query-Focused Summarization. arXiv:2404.16130, 2024.
5. Asai A, et al. Self-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection. ICLR, 2024.
6. Zhang Y, et al. SciGraph: Relation Extraction for Scientific Literature. 模拟整理，2024.
7. Wang L, et al. Chain-of-Note: Enhancing Robustness in Retrieval-Augmented Language Models. arXiv:2311.09210, 2023.
8. Chen T, et al. Benchmarking Chunking Strategies for Long-Document QA. 模拟整理，2025.
9. ACL Anthology 科学文献处理专题（2023–2025），https://aclanthology.org/ 。