Как дать нейросети длинный документ
Правильная схема — не «вставил текст и спросил», а сэндвич: короткая инструкция, затем документ в явных разделителях, затем повтор вопроса с требованиями к формату ответа. Модели внимательнее всего к началу и концу промпта, поэтому вопрос, продублированный после документа, работает ощутимо лучше, чем одинокий вопрос перед ним, — на длинных вводных это главный приём.
Каркас выглядит так:
Ты анализируешь договор аренды. Ответь на вопрос после документа.
=== ДОКУМЕНТ ===
{текст договора}
=== КОНЕЦ ДОКУМЕНТА ===
Вопрос: какие штрафы предусмотрены для арендатора?
Отвечай только по документу, с цитатой пункта.
Сколько влезает: контекстное окно
Предел объёма задаёт контекстное окно модели — сколько токенов она способна удерживать за раз, включая ваш промпт и её ответ. У современных флагманов окна огромные: например, Gemini 3.1 Pro держит порядка миллиона токенов — это сотни страниц текста в одном запросе.
Практическая арифметика для русского языка: один токен — примерно 2–3 знака, страница А4 — около 2500 знаков, то есть порядка тысячи токенов. Значит, даже документ на 100 страниц занимает лишь малую долю миллионного окна. Но «влезает» не равно «одинаково хорошо прочитано»: чем длиннее вводная, тем важнее структура — середина большого текста получает меньше внимания модели, чем края.
Якоря: помогаем модели ориентироваться
Якорь — это явная метка в тексте, на которую можно сослаться в вопросе. Три уровня, от простого к сильному:
- Разделители границ: «=== ДОКУМЕНТ 1: договор ===» и «=== КОНЕЦ ===». Обязательный минимум — без них инструкция и текст сливаются, и модель может принять фразу из документа за команду.
- Нумерация разделов. Если в документе нет собственной структуры, добавьте её: «[Раздел 3: оплата]». Тогда и вопрос можно задать адресно («что сказано в разделе 3?»), и ответ попросить с указанием раздела.
- Требование цитат. «Каждый вывод подтверждай точной цитатой из документа» — самый дешёвый детектор выдумок: утверждение без цитаты сразу подозрительно.
Для нескольких файлов правило то же, но строже: каждый документ — под своим именем-якорем, а в вопросе имена используются явно: «сравни сроки поставки в ДОГОВОРЕ-А и ДОГОВОРЕ-Б».
Выжимки: когда документов много
Когда материала больше, чем разумно класть в один промпт (или когда важна каждая деталь в каждом файле), работает двухступенчатая схема — map-reduce на промптах:
- Шаг «выжимка»: каждый документ прогоняется отдельным запросом с одинаковой инструкцией — «сожми до фактов по схеме: стороны, суммы, сроки, риски; без пересказа воды». На выходе — карточки по 1–2 тысячи знаков.
- Шаг «сведение»: карточки складываются в один промпт с итоговым вопросом — «на основе выжимок сравни условия и найди противоречия».
Схема даёт два бонуса: модель на первом шаге читает каждый файл целиком и внимательно, а на втором работает с компактной, уже структурированной вводной. Побочный продукт — сами выжимки, которые удобно хранить и переиспользовать.
Единственное, чего делать не стоит, — просить выжимку и глубокий анализ одним запросом сразу по десяти файлам: получите поверхностный пересказ каждого вместо ответа на вопрос.
Куда загрузить документ на практике
Отработать технику можно на ГПТ Россия: для файлов есть отдельный инструмент анализа PDF — загружаете документ и задаёте вопросы по содержимому, а в чате доступны модели с миллионными окнами (Gemini, Claude, GPT и другие) — под задачу «скормить много текста и спрашивать». Оплата — за фактическое использование, в рублях и без VPN; новичку начисляется 50 ₽ приветственного бонуса, которого хватит на разбор первых документов.
Частые вопросы
Куда лучше ставить вопрос — до документа или после?
И туда и туда. Краткая постановка задачи до текста настраивает чтение, повтор вопроса после — гарантирует, что модель не «потеряет» его за сотней страниц. Если выбирать одно место, выбирайте после документа.
Модель отвечает общими словами вместо фактов из документа. Что делать?
Три проверки: есть ли явные разделители вокруг текста; продублирован ли вопрос после документа; потребованы ли цитаты. Чаще всего лечит формулировка «отвечай только по документу, каждый вывод — с цитатой пункта; если в документе ответа нет — так и скажи».
Правда ли, что модель хуже видит середину длинного текста?
Да, эффект известный: края промпта получают больше внимания, середина — меньше. Именно поэтому работают якоря-разделы и адресные вопросы, а для критичных фрагментов — вынос их ближе к концу промпта или отдельный запрос по конкретному разделу.
Что выгоднее: один огромный промпт или серия выжимок?
Для разового вопроса по одному документу — один промпт, это проще. Для пачки файлов или повторяющихся задач — выжимки: точность выше, а сжатые карточки переиспользуются в следующих запросах, экономя токены.
