Summarization Engine 是一个指导构建文本摘要系统的技能，目标是把长文档和文本集合压缩为简洁、准确的摘要。它从需求分析出发，帮助使用者在抽取式与生成式方法之间做出选择，并覆盖实现、评估与风险控制等环节。
用途 该技能面向需要处理长文本摘要的场景，包括新闻文章、研究论文、会议记录和法律文档等。它强调摘要必须准确、相关且有用，核心在于理解哪些信息重要、在压缩的同时保持准确性，并适配不同文档类型与摘要要求。
主要能力 技能覆盖从抽取式到生成式的完整摘要技术谱系。抽取式方法通过选择关键句子生成摘要，生成式方法则生成新的文本。技能提供方法对比表，从准确性、流畅度、速度和适用场景四个维度比较抽取式、小型生成式、LLM 生成式和混合式方法，并给出选择建议：准确性关键时用抽取式，流畅度重要时用生成式，两者都重要时用混合式。
技能包含多个核心工作流。工作流一为选择摘要方法，分析摘要长度（比例或固定长度）、准确性要求、风格偏好、速度与规模约束，并设计评估标准。工作流二为实现抽取式摘要，提供基于 TF-IDF 的句子打分代码，并建议加入位置、命名实体密度、与标题相似度等额外打分因素，同时去除冗余句子。工作流三为实现生成式摘要，提供基于 transformers pipeline 的 AbstractiveSummarizer 类代码，包含长文档分块与迭代摘要处理。
高级技术 技能介绍多种高级方法。LLM 摘要通过提示词控制风格（executive、technical、narrative、bullet）与字数，并要求只使用源文本信息、保持事实与数字名称准确。分层摘要通过逐级压缩处理超长文档：先分节、再逐节摘要、再合并、必要时再摘要。多文档摘要先分别摘要各文档，再识别共同主题与差异、处理矛盾并标注信息来源。事实一致性检查从摘要中提取断言，逐条对照源文档判断为 SUPPORTED、NOT SUPPORTED 或 CONTRADICTED，并统计数量。查询聚焦摘要则围绕特定问题生成摘要，直接回应问题并注明文档是否完全回答。
使用方式 技能以触发式指令和代码示例呈现。快速参考列出常用触发语，如“Summarize this document”“Best summarization for [document type]”“Summarize in [N] words/sentences”“Summarize these documents together”“Check summary quality”“Improve summary accuracy”。实现层面提供可直接参考的 Python 代码，涉及 sklearn 的 TfidfVectorizer、nltk 的 sent_tokenize、transformers 的 pipeline 等。
适用场景 适用于需要摘要长文档或文本集合的任务，包括新闻、研究论文、会议记录、法律文档等。不同用途对应不同摘要风格：执行摘要突出关键结论，摘要（abstract）提供均衡概览，要点列表便于快速浏览，渐进式披露提供多个细节层级。
限制与注意事项 技能明确指出若干风险与陷阱：生成式摘要可能产生幻觉，需对照源文档验证事实；多数模型有长度限制，需策略性分块并保持上下文；ROUGE 分数不能代表全部质量，需人工检查事实准确性、连贯性与可读性，并与人工摘要对比；多文档摘要需处理矛盾并标注来源；避免过度压缩丢失关键信息；摘要不应在未经人工复核的情况下直接使用。对于高风险领域，建议使用抽取式方法或混合方法。