文件问答：实现证据优先的文档助手

1 · 你在哪里会用到它

ChatGPT 官方支持上传文件进行分析、总结和提取。可用一份不敏感的政策文档，询问退款期限并要求提供依据段落。本教程实现小型词项检索组件，不声称这是 ChatGPT 内部文件处理架构。

来源核对日期 2026-10-25。产品行为来自官方公开说明，下方代码是独立教学实现。

2 · 关键工程决策

实际问题是来源可追溯：回答流畅但无法找到依据仍不够。我们按空行分段、保留段落 ID、按查询词重叠评分并返回原文。没有命中就弃答。分数是词项重叠，不是置信度、真实性或语义相关性。先用这个简单基线暴露失败，再引入 embedding 或 LLM。

1. 检查查询词 refund 与 deadline。
2. P1 包含 refund，重叠分数为 1/2 = 0.5；P2、P3 为零。
3. 原样返回 P1 和 ID，不编造综合回答。
4. 将问题改为 reimbursement window：虽然语义相关，基线仍弃答，由此理解语义检索的价值。

4 · 完整源代码

需要现代浏览器或 Node.js 18+。下载模块，将下方 runner 存为同目录 demo.mjs，执行 node demo.mjs，无需 npm 依赖。

// Local lexical retrieval baseline. No LLM, embeddings, PDF parser or network.
export const example = {
  query: 'refund deadline',
  document: 'Refund policy: request a refund within 30 days.\n\nShipping policy: delivery takes 5 days.\n\nSupport policy: contact support for damaged items.'
};
const terms = text => new Set(text.toLowerCase().match(/[\p{L}\p{N}]+/gu) || []);
export function run({query, document}) {
  if (typeof query !== 'string' || typeof document !== 'string') throw Error('query and document must be strings');
  if (document.length > 20000 || query.length > 500) throw Error('Input limit exceeded');
  const q = terms(query);
  const evidence = document.split(/\n\s*\n/).map((text, index) => {
    const tokens = terms(text);
    const matches = [...q].filter(term => tokens.has(term));
    return {id: `P${index + 1}`, text, matches, score: matches.length / Math.max(1, q.size)};
  }).filter(item => item.score > 0)
    .sort((a, b) => b.score - a.score || a.id.localeCompare(b.id)).slice(0, 2);
  return {
    status: evidence.length ? 'evidence_found' : 'abstain',
    evidence,
    // Evidence quotes, not a generated or semantically verified answer.
    extract: evidence.map(item => `[${item.id}] ${item.text}`).join('\n')
  };
}

import {run, example} from './document-evidence.mjs';
console.log(JSON.stringify(run(example), null, 2));

5 · 失败案例与生产差距

关键词命中可能无关或互相矛盾。段落 ID 仅在当前输入中稳定，生产引用需文档版本与偏移。按词边界处理对未分词中文较弱。演示只接收纯文本，不解析 PDF 或 OCR。文档里的指令应视为数据，不能升级成后续生成阶段的系统指令。