把长资料拆成每个对应一个可独立回答小问题的模块，拆分时留清模块边界与来源标识，先提炼各模块核心关联点，再逐步拼接，过程中校验信息覆盖率，避免重复或遗漏。
这套做法适用于单次输入超过常规 AI 处理上下文上限的资料，比如万级字符以上的报告、多章节文档、长对话记录等；不适用的情况是资料本身篇幅较短，或内容逻辑高度统一无需拆分的场景，这类场景下无需额外拆分即可完整获取有效信息。
按资料的核心主题、时间节点或逻辑分支拆分，每个模块对应一个可独立回答的小问题，比如把行业报告拆成“市场规模”“竞争格局”“趋势预测”三个模块，而非随意按段落拆分，这是多数人拆分时未注意的标准，能避免模块重叠或信息断裂。
每个模块开头明确标注原始资料的来源范围，比如“来自第 3 章第 2-5 节”，而非仅用“某部分”指代，这是避免后续信息混乱的关键，多数人会忽略来源标识，导致 AI 处理后无法对应原始内容的准确性。
梳理各模块的核心关联点，比如“市场规模是竞争格局的基础”，而非孤立处理每个模块，这是确保拼接后信息连贯的核心，多数人会只处理单个模块，忽略模块间的逻辑衔接，导致结果碎片化。
按关联逻辑拼接各模块的核心信息，校验拼接后的内容是否覆盖每个模块的核心点，比如检查是否遗漏某模块的关键数据或结论，而非直接生成最终结果，这是避免信息丢失的最后防线，多数人会跳过校验直接输出。
成因是未按明确主题或逻辑拆分，导致模块重叠，表现为 AI 处理后出现大量重复信息，绕过去的方法是先通读资料，画出核心逻辑分支，再按分支切分模块，确保每个模块只对应一个独立小问题。
成因是为了省事未标注来源，表现为拼接后的内容无法对应原始资料的准确性，绕过去的方法是拆分时同步记录每个模块的原始范围，哪怕只标注章节号，也能在后续校验时快速定位问题。
成因是拆得太细，每个模块对应的小问题过于细碎，表现为模块间逻辑断裂，无法形成完整结论，绕过去的方法是控制每个模块至少对应一个完整的小论点，比如不要把“市场规模”拆成“市场规模的定义”“市场规模的数值”两个过细的模块。
处理长资料的需求对应 OneOneTalk 的可验证长期记忆机制，每条记忆会记录资料的来源、时间、置信度与作用域，支持纠错，同时可与用户共写经确认的历史，确保拼接后的信息完整不丢重点，当前针对长资料的拼接功能已基于上述机制实现，无需额外操作，仅需按上述步骤整理资料即可。