longcat ai 通过专业文档解析引擎直接提取带逻辑标签的结构化引用数据，还原真实上下文关系，再调用预编译规则引擎校验与修改，实现精准格式处理。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
LongCat AI 解决技术文档引用格式解析，核心不在“让模型背规则”，而在还原引用在原文中的真实结构与上下文关系。
它不依赖通用 OCR 或 Markdown 转换这类会丢格式的中间环节，而是通过专业文档解析引擎（如 TextIn xParse）直接从 PDF 或 DOCX 中提取带逻辑标签的结构化数据——包括参考文献区块、每条引文的起始位置、编号样式（[1] / (Smith, 2023) / ¹）、是否嵌入正文、是否跨页、是否与图表/公式存在交叉引用等。
这样，AI 看到的不是一串扁平文字，而是一个标注了语义角色的树状结构：
-
<reference_list></reference_list>包含若干<citation_item></citation_item> - 每个
<citation_item></citation_item>带有type="apa"或type="gbt7714"属性 - 正文中
<in_text_citation></in_text_citation>标签精准锚定到对应条目 - 图表标题中
<cross_ref target="ref-3"></cross_ref>明确指向参考文献第三条
有了这个结构，后续任务就变得确定：
- 格式校验可逐项比对：编号是否连续、作者名是否缩写一致、年份是否在括号内、DOI 是否可点击
- 修改建议能定位到具体字段：比如把 “et al.” 改为 “et al”（无英文句点），或把 “pp. 12–15” 统一为 “p. 12”
- 跨文档一致性检查成为可能：同一文献在方法部分和讨论部分的引用形式是否统一
它也不强求 AI 自己“发明”格式规则。实际部署中，会将国标 GB/T 7714、APA 第7版、IEEE 等常见样式预编译为可执行的校验逻辑，AI 只需调用对应模块，做结构匹配与字段填充。
所以 LongCat AI 对引用格式的处理，本质是用结构化解析补全上下文，用规则引擎替代自由发挥。
