Customer Problem
客户问题
通用 AI 阅读工具能够快速总结和回答问题，但在金融、咨询、产品研究、法务等专业阅读场景，真正的问题并不是「得到一个答案」——而是用户能否确认这个答案是否可靠。
长文档无法一次性放入上下文窗口，Chunking 后原有章节结构被破坏，关键信息可能在切分中丢失。
AI 给出结论但用户无法快速定位原始证据。引用看似存在但无法确认是否真正支持结论。
用户需要反复在 AI 和 PDF 之间手动切换，验证成本极高，最终往往放弃验证。
阅读后的判断、证据和笔记无法长期沉淀为可检索的个人知识，每次重新阅读都是从头开始。
因此产品目标从「AI 帮用户读文档」重新定义为：帮助用户完成 理解 → 验证 → 回到证据 → 形成判断 → 沉淀知识 的完整闭环。
What I Did
我做了什么
我将整个长文档阅读过程拆解为以 Evidence 为中心的产品流程，而不是以 Chat 为中心：
Reliable Parsing → Structure Understanding
保留文档原始章节结构作为 Metadata，不进行无差别 Chunking。章节本身就是理解上下文的重要信息。
Chapter Map-Reduce
先按章节生成摘要、提取事实，再跨章节聚合、检查冲突和评估覆盖率，确保长文档不丢失结构信息。
Citation & Evidence Jump-back
每条回答附带页码、原文片段和来源章节。用户可点击引用直接跳转到 PDF 对应位置。Citation 不只是「显示来源」，而是形成真正的证据回溯闭环。
Active Reading & Knowledge Capture
系统主动提醒未覆盖章节、识别文档中的重要观点和前后矛盾。阅读结果可以转化为笔记、观点卡片和个人知识条目，与原文引用保持关联。
Key Decisions
关键决策
Evidence-first，而不是 Answer-first
为什么
在专业阅读场景中，一个看似合理但无法验证的回答比「不知道」更危险。
决策
没有可靠证据支持时，系统应显示「不确定」或拒绝生成，而不是为了完整回答而猜测。
取舍
系统会更多地说「不确定」，可能降低回答的流畅感，但建立了阅读工具的可信度基础。
保留文档原始章节结构
为什么
章节结构本身就是理解上下文的重要 Metadata。无差别 Chunking 会破坏学术论文、合同和标书的逻辑结构。
决策
优先保留完整章节边界，Chapter-level Chunking 优先于 arbitrary token-window Chunking。
取舍
某些特别长的章节仍然需要二次切分，但所有 Chunk 保留其所属章节的 Metadata。
Citation 必须是可点击的证据回路
为什么
用户看到引用后如果还需要手动搜索原文，引用就没有降低验证成本。
决策
Citation 链路：回答 → 原文片段 → 页码 → 对应章节 → PDF 原位置，每层都可点击。
取舍
开发复杂度显著增加，但这是产品区别于通用 Chat 阅读的核心差异。
把阅读沉淀作为核心能力而非附加功能
为什么
知识工作者的阅读不是一次性消费——阅读后的判断和证据需要长期复用。
决策
Note 和 Knowledge Item 作为一等产品对象，在阅读工作流中直接创建和关联，而非事后保存。
取舍
增加了产品复杂度，但使阅读从「一次性问答」升级为「长期知识积累」。
Results
成果
完成从「答案生成器」到「可验证阅读工作台」的产品重构：
Product
完成 Evidence-first AI Reader 的产品定义与核心工作流。
UX
完成围绕文档、阅读任务、引用和证据的交互体系。
Evaluation
建立引用正确性、覆盖率、长文档遗漏、幻觉率、用户复核成本等评价指标。
Prototype
完成产品原型，展示文档上传、章节导航、RAG 问答、Citation 和 Evidence Jump-back 的交互流程。
当前为交互原型阶段，真实 PDF 解析服务和生产级 RAG 管线属于后续阶段。
Product System
产品系统设计
以 Evidence 为中心的阅读工作流：
Evaluation
如何验证
围绕 Evidence-first 原则建立评价体系 —— 目前为 Evaluation Framework：
引用正确性
引用是否指向正确的原文位置，是否存在偏移或捏造。
引用覆盖率
回答涉及的引用是否覆盖了相关章节，是否存在遗漏。
长文档遗漏
关键章节是否在回答中被覆盖，是否存在系统性遗漏。
幻觉率
回答中无引用支持的内容占比，区分模型判断与原文事实。
用户复核成本
用户从看到回答到完成验证所需的时间和点击次数。
Product Demo
产品展示
Evidence Jump-back —— 回答中的引用可直接返回 PDF 对应页与原始段落，形成完整的证据回溯闭环。
Analysis Framework
产品分析框架
Future State
后续迭代
当前为交互原型阶段。后续需要验证的方向：
- 接入真实 PDF 解析与 RAG 管线
- 多文档交叉引用与对比阅读
- 知识沉淀系统原型
- 小范围专业用户测试与 Evaluation 校准