Summarization 是任务：把较长的输入压缩成较短、忠于原意的版本。两种主要做法是 extractive（从原文摘出原句）跟 abstractive（写新句子捕捉意思）。现代 LLM 默认做 abstractive summarization，能依需求调整长度、语气、聚焦点、目标读者。 它重要的原因是：信息过载是现代 AI 最能解的痛点之一。长会议逐字稿、密集的法律文档、20 页研究论文、一小时 YouTube 视频、完整 email thread——任何你原本得从头读的东西都能被摘要省时间。Summarization 是许多实用 AI 产品的底层：会议笔记、文档 Q&A、新闻摘要、podcast 摘要、研究助手。 举个例子：把 30 页市场研究 PDF 贴进 Claude，问「用 5 个 bullet 总结重点，聚焦台湾的影响」。模型几秒内产出一个可用版本，省去半小时阅读。同一个 prompt 改成「聚焦美国监管环境」，从同样输入产生不同摘要。 质量取决于 context window（原文塞得下吗？）跟模型的忠实度——坏摘要可能幻觉出原文没有的事实。高风险使用要核对关键声称。延伸阅读：ROUGE、RAG、long-context、hallucination。