用 ChatGPT 对比两份 PDF：可追溯的变更核查工作流

每当一份制度或流程文档被修订，要在两份冗长的 PDF 中逐条找出改动，往往耗时又容易遗漏。ChatGPT 可以帮助整理这类对比，但真正可靠的结果，取决于团队是否对 AI 读取的内容做了二次核查，以及关键发现是否能回溯到原始文档。本文基于一则漫画式指南，拆解一套可操作、可追溯的 PDF 对比方法。

为什么 PDF 对比不能只靠 AI 一键总结

文档对比看似是机械活，实际暗藏风险。长文档中的改动可能分散在正文、附录、脚注等多个位置，仅凭肉眼翻阅既慢又容易漏掉。ChatGPT 的价值在于能快速把变更归类整理，输出一份结构化清单，大幅压缩初筛时间。

但问题也随之而来：模型可能遗漏某些段落，也可能对措辞含糊的内容做出错误判断。如果直接把 AI 的输出当成最终结论，等于把文档合规的责任交给了一个无法保证准确性的工具。原文强调的核心正是——AI 负责"组织对比"，人负责"核实证据"，两者缺一不可。

从技术层面来看，ChatGPT 处理 PDF 的方式存在先天局限。PDF 本质上是一种排版格式而非纯文本格式，上传后模型接收到的往往是经过提取的文本流，原始文档中的表格结构、多栏布局、页眉页脚、嵌入图片中的文字等内容，在这一过程中可能发生错位或丢失。此外，当前主流大语言模型存在"上下文窗口"限制——即单次能处理的文本量有上限——对于超长文档，模型可能只处理了部分内容却不加提示地给出看似完整的答案。这正是"回源核实"步骤不可省略的底层原因：AI 的输出质量高度依赖输入内容的完整性，而用户在上传阶段通常无法直接判断文本是否被完整读取。

一套可复用的五步工作流

原文通过一个虚构案例演示了完整流程：某团队要对比两版"培训报名规则"文档。他们让 ChatGPT 把条目分成四类——未变更、新增、删除、修改，再逐条回到原始 PDF 中验证高影响力的改动。

整理后的工作流可以归纳为五步：

1. 明确任务

先定义清楚要比较什么、关注哪些维度，避免对比漫无目的。

2. 识别新旧版本

确认哪份是旧版、哪份是新版，防止方向搞反导致结论颠倒。

3. 让 AI 执行对比

把文档交给 ChatGPT，要求按"未变更/新增/删除/修改"分类输出。

4. 回源核实高影响项

对重要变更逐一回到原文确认，并记录文件名、阅读器页码和章节位置，让每条发现都有据可查。

5. 分区呈现结果

把"已确认的发现""建议采取的行动""尚未解决的疑问"三类内容分开列出，不混为一谈。

这套方法的关键不在于让 AI 多聪明，而在于为每一处改动都保留可核验的证据链。

案例中的两个关键细节

在这个虚构案例里，团队在附录中发现了一处重要变更：报名截止时间从"培训前三个工作日"改为"培训前五个工作日"。这类藏在附录里的改动，恰恰是人工翻阅最容易漏掉、却可能影响实际执行的部分。

更值得学习的是团队处理不确定信息的方式。文档中有一处"生效日期说明"所指向的具体日期含糊不清，团队没有擅自猜测，而是把它作为一个"待确认问题"保留下来，交给制度负责人确认后再发布员工通知。

这个处理方式体现了负责任使用 AI 的态度：对能确认的事实给出结论，对无法确认的内容明确标注为开放问题，而不是用看似完整的答案掩盖信息缺口。

适用场景与数据安全提醒

这套"定义任务—识别版本—AI 对比—回源核实—分区呈现"的方法并不局限于培训规则，同样适用于合同、政策制度、操作手册等各类需要版本比对的长文档。

实践时有两点务必注意：一是只用你有权限处理的文档进行测试，并在每条变更旁同步记录证据来源；二是涉及个人信息或机密内容时，应遵循所在组织批准的 AI 工具清单和数据使用规则，不要随意把敏感文档上传到第三方服务。

归根结底，AI 擅长把杂乱的差异整理成清单，但判断哪些改动真正重要、哪些结论可以采信，仍需人来把关。把 AI 当成提效工具而非最终裁判，才能让一次快速对比，变成一份经得起核查的证据支撑报告。

关于"组织批准的 AI 工具清单"，这一概念在企业合规实践中正日益重要。许多组织已开始推行所谓的"AI 使用政策"（AI Acceptable Use Policy），明确区分哪些工具经过安全审查可处理内部文档，哪些仅限用于公开信息。主要风险来自两个维度：其一是数据残留——部分第三方 AI 服务会将用户上传的内容用于模型训练或暂存于云端服务器；其二是合规暴露——在金融、医疗、法律等受监管行业，将未经脱敏的文件上传至未经审批的平台可能直接触发数据保护法规（如 GDPR 或国内《个人信息保护法》）的合规风险。实践中，一个稳妥的替代方案是先对文档进行人工脱敏（去除姓名、合同编号等标识信息），再交由 AI 处理结构性对比，最后将结论对应回原始文件。