多篇资料直接拼成一个长提示词，最容易丢来源、超上下文并把不同作者的结论混在一起。更可靠的 n8n 流程是逐篇生成结构化摘要，再依据摘要和原文片段汇总主题。 本文给出工作流设计和人工验收方法，未在你的文献集合上实测；模型摘要不能替代阅读原文，正式研究还要遵守引用规范、版权和所在机构要求。
本篇验收要点：每篇资料单独输出来源 ID、研究问题、方法、结论、限制和原文证据片段，不让模型跨文档补全。 全部分篇结果合并后先按主题建立证据矩阵，再让模型生成带来源 ID 的提纲，并抽样回查原文。
开始前准备
- 已经获得合法使用的资料文本
- 每篇资料有稳定 source_id、标题和链接或文件名
- 一套结构化摘要字段
- 至少 3 篇人工读过的验收样本
按顺序搭建
- 把资料拆成一条记录一篇，字段至少包含 source_id、title、url、text。长文先按段落切分，但每个片段继续携带 source_id。
- 用 Loop Over Items 控制批量处理。对每篇调用 Summarization Chain 或模型节点，要求输出研究问题、方法、结论、限制、evidence_quote 六个字段。
- 将同一 source_id 的片段摘要归并成分篇卡片；若原文没有某项，填“未说明”，禁止模型从常识补写。
- 汇总所有卡片，先生成主题 × 来源的证据矩阵，标出支持、反对和未涉及，再根据矩阵生成二级提纲。
- 人工抽取至少三条关键结论，用 source_id 回到原文核对语义和上下文；不一致的结论删除或重做摘要。
可复制的最小示例
分篇摘要可以先固定为下面的 JSON 形状，示例仅表示字段：
{
"source_id": "P07",
"question": "研究解决什么问题",
"method": "原文明确说明的方法",
"finding": "结论，不添加外部常识",
"limitation": "作者写出的限制",
"evidence_quote": "可回查的短片段"
}
怎样验收结果
验证标准是每条提纲要点至少能对应一个 source_id，抽查的结论与原文含义一致，重复资料不会被计作多份独立证据，缺少证据的段落明确标记待补充。
- 随机抽 3 条 finding 回查原文
- 同一资料的不同片段没有被当作多篇来源
- 提纲能区分共识、分歧和研究空白
- 模型没有生成不存在的页码或作者
常见失败与处理
- 批次中断：降低每批数量并保存 source_id 级中间结果。
- 摘要互相串文：每次只输入一篇，并在输出中回显 source_id。
- 综述只列观点不列证据：先生成证据矩阵，再生成提纲。
读者下一步是挑 3 篇自己熟悉的资料，先验证分篇摘要字段和原文回查，再扩大到完整文献集。
相关问答
可以直接让模型写最终综述吗？
建议先生成可审核提纲。只有来源映射和关键结论通过回查后，才进入段落写作。
Loop Over Items 每批设多少？
取决于模型限流、文本长度和实例资源；从 1 或小批量开始，以没有丢项和可恢复为验收标准。
官方资料与适用边界
Ai菜鸟网。发布者：AI小管家，转载请注明出处：https://www.alyyhw.com/32418.html
