LongCat AI 在处理文档中的脚注时，并非依赖简单的数字匹配或正则表达式抓取，而是将脚注真正视为“语义锚点”来完整理解其逻辑意义。它借助 128K 的超长上下文窗口、结构感知能力，以及一套三阶段的推理机制，在整篇文档的语义层面建立脚注与正文、参考文献乃至跨页内容之间的精准逻辑映射。简单来说：脚注不再是一个孤零零的数字标记，而是嵌入在论证脉络中的关键节点。

那么，它是如何具体实现的呢？以下从几个关键环节展开说明。

脚注识别与定位：依赖128K超长上下文窗口

• 文档经过 PDF 转换后，分页断裂、编号错位、上标格式丢失是常见问题。LongCat-Flash-Omni 的 128K 上下文窗口能够一次性载入整篇论文——封面、目录、正文、附录、参考文献全部纳入视野。这意味着脚注编号（例如上标数字、方括号[3]、括号(1)、字母a/b/c、甚至中文圈码①②③）与其对应的正文位置、最终出处条目，能在同一个语义空间中被同时感知，而非割裂地逐页扫描。
• 模型在预训练阶段已接触海量学术出版物的各类变体，因此不依赖固定格式：Unicode 上标、方括号、括号、字母编号、圈码——均能准确识别，即使格式略有破损也能推测出原意。

关联解析分三步完成

• 步骤一：双向锚定
  模型首先定位正文中的脚注触发标记——例如“……已有研究指出¹”中的“¹”——然后逆向扫描后续文本，找到最近且格式匹配的脚注块，比如“¹ Smith, 2020, p.45”。同时，它也从前脚注块向前回溯，确认这个脚注实际服务于哪一句完整的主谓宾句式，避免误绑定到前一段末尾。

• 步骤二：语义对齐校验
  这一步是整个机制的核心：对比正文句子含义与脚注内容是否存在支撑关系。例如，正文提到“该方法显著提升效率¹”，脚注内容为“实验显示处理速度提高37%”，则匹配成功。但如果正文说“该方法显著提升效率¹”，脚注却是“作者感谢基金支持”，模型就会触发重新判定——很可能这个脚注属于前一句中的某个概念解释。这种基于语义层面的对齐，远比单纯检查编号连续性更为可靠。

• 步骤三：跨段落/跨节扩展
  如果脚注内容本身又引用了其他文献（例如“参见[2, pp.12–15]”），LongCat 会自动递归解析[2]条目，将原始脚注与二级来源建立间接关联链。这样在后续问答或溯源时，就能将一条引用链条完整展开，而非卡在“脚注跳转”上。

实际应用场景下无需手动配置

• 调用 read_document 工具时，只需传入原始 PDF 或带有 footnote 标记的结构化文本，LongCat-Flash-Chat 内部会自动启用专用解析子模块。最终输出中已包含：
  • 每个脚注编号对应的正文位置（页码+段落索引）
  • 脚注原文与标准化引用格式（可指定 APA、GB/T 7714 等）
  • 正文句子与脚注的语义关联强度评分（0.0–1.0）
  • 如有需要，还可生成一张“脚注影响图谱”——直观展示哪些结论依赖哪些脚注支撑。

归根结底，这套机制真正起效的关键并非某个单点识别技巧，而是将脚注放入整篇文档的时间线与论证逻辑流中去理解。当上下文足够长、结构感知足够强、推理链条足够完整时，脚注就不再是排版附庸，而成为论证逻辑的有机组成部分。这一点在实际使用中很容易被忽略，却正是区分“真理解”与“假匹配”的核心分水岭。