最省事方式是用Hugging Face pipeline加载预训练模型，中文优先选Randeng-Pegasus或uer/roberta-base；超长文本需分段并语义合并，避免截断失真；sumy适合轻量无监督场景但须配TextRank+Jieba；控制长度应按token而非字数，建议摘要长度为原文token数的15%–25%。
用 transformers 加载预训练摘要模型最省事
直接调用 Hugging Face 提供的 pipeline 是当前最稳定、开箱即用的方式，尤其适合中英文混合或纯中文长文本。别自己从头训模型，facebook/bart-large-cnn 或 pszemraj/long-t5-tglobal-base-16384-booksum 这类模型已在大量文本上微调过，效果远超规则方法。
实操建议：
- 中文任务优先选
IDEA-CCNL/Randeng-Pegasus-238M-Summary-Chinese或uer/roberta-base-finetuned-chinese-extractive-summarization，原生支持中文分词和标点处理 - 输入文本超过 1024 字符时，
pipeline默认会截断——必须显式传入max_length和min_length，否则摘要可能严重失真 - 若原文含大量代码块或特殊符号（如
```python），先用正则粗略清洗，否则模型容易在 tokenization 阶段报IndexError: index out of range in self
sumy 做无监督抽取式摘要适合轻量需求
当你的服务器资源紧张、或只需要关键词+句子位置匹配这种可解释性强的结果时，sumy 比 transformer 模型快一个数量级，且不依赖 GPU。
常见错误现象：
立即学习“Python免费学习笔记（深入）”；
提示词大师-python版
下载
图片提示词生成器？不止如此。 马甲系统 —— 把脑海中的画面，翻译成AI能理解的专业表达。 用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。 用得越多，它越快：缓存机制让后续对话越来越省。 RAG进化：成功案例持续入库，越跑越聪明。 输入「新手指南」查看完整功能介绍
- 默认使用
LsaSummarizer，但对中文支持极差——必须换TextRankSummarizer并配JiebaTokenizer - 没设置
sentence_count参数时，它会返回空列表，而不是抛异常，容易误判为“无摘要” - 输入含 HTML 标签（比如爬虫抓来的正文）会导致
sumy.parsers.html.HtmlParser解析失败，得先用BeautifulSoup提纯文本
自定义长度控制：别只信 max_length
几乎所有摘要接口都提供 max_length，但它控制的是 token 数而非字数，中文下 1 个汉字 ≈ 2–4 个 token（取决于 tokenizer），所以设成 100 可能只出 30 字。
更可靠的控制方式：
- 用
transformers.AutoTokenizer.from_pretrained(...)实例化后，调用tokenizer.encode(text, return_length=True)先看原文 token 长度 - 摘要目标长度建议设为原文 token 长度的 15%–25%，低于 10% 容易丢失主干信息
- 如果最终输出仍偏长，加
truncation=True+clean_up_tokenization_spaces=True，否则末尾常带多余空格或▁符号
长于 4096 字符的文本必须分段处理
目前主流模型（包括 LongT5）虽号称支持长上下文，但实际推理时 batch size=1 下超过 8192 token 就容易 OOM；而真实业务中万字文档很常见。
分段不是简单按字数切，关键在语义连贯性：
- 优先按自然段切分，再合并相邻短段（每段 ≥ 300 字），避免单句成段
- 每段单独摘要后，用
rouge-score库比对段间摘要的ROUGE-L相似度，高于 0.6 的合并为一组，再做二次摘要 - 千万别用
textwrap.wrap()按固定宽度切——它会在单词中间断开，中文虽无空格但会在标点处乱劈，导致模型输入错位
