使用 LongCat 系列模型进行长文档自动化标签分类，核心在于充分利用其 128K 超长上下文能力，避免信息因切片而被割裂。配置的关键并非安装某个插件，而是构建一个覆盖文档输入、语义理解到标签输出的完整端到端流程。 选对模型：优先用 LongCat-Flash-Chat-FP8 该模型专为超长文本设计，可一次性读取整本技术手册、完整合同或百页调研报告，直接捕捉跨章节逻辑关系与隐含主题。若使用短上下文模型（如8K或32K）强行拼接，切片操作将导致“条款关联性”“前后因果”等关键分类依据丢失，严重影响分类效果。 部署时需确保环境支持 FP8 推理，GPU 显存不低于 24GB，推荐使用 A100 或 H100。加载模型时显式设置 max_position_embeddings=131072，否则默认值可能导致输入被自动截断。输入格式应保持原始结构：对于PDF文档，提前使用 PyMuPDF 提取带格式文本，保留标题层级和列表缩进，避免纯 OCR 噪音干扰分类判断。 设计分类 Prompt：让模型知道你要什么 标签分类并非自由生成，必须通过结构化指令约束输出。LongCat 对清晰且带有示例的指令响应更为稳定。具体做法：开头定义任务——“你是一个专业文档分类引擎，请为以下文档输出唯一主类别和最多两个辅助类别，严格按 JSON 格式返回：{"primary": "...", "secondary": ["..."]}”。然后给出明确的类别集合，例如 ["技术规范", "用户协议", "财务报表", "会议纪要"]，避免模型生成模糊标签。最后附上 1–2 个简短示例，比如“《XX系统API文档_v3.2》→ {"primary":"技术规范","secondary":["开发文档"]}”。 批量处理与结果落地 单次调用适用于验证，实际应用需接入文件系统实现自动触发。使用 Python 脚本遍历目标目录，为每个文档构建完整 prompt（包含文档文本和分类指令）。调用 LongCat API 时设置 timeout=120s，128K 文本的推理耗时约 40–90 秒，具体取决于长度和 GPU 负载。解析返回的 JSON，将标签写入与文件同名的 .meta.json 文件，或直接重命名文件为“【技术规范】XXX.pdf”。错误处理同样关键：对于返回非 JSON 或空结果的文档，记录日志并放入“待人工复核”文件夹，确保不中断整个批次处理。 需要指出的是，分类效果高度依赖文档原文质量。扫描版 PDF 应预先进行 OCR 处理，推荐使用 PaddleOCR；纯图片文档需搭配 LongCat-Image-Edit V2 提取文字，再送入 Flash-Chat 模型。实际运行中，瓶颈往往在于预处理环节，而非模型本身。