443页文档124秒压完，LLM成本砍掉85.9%

一份443页的OFD文档，端到端压缩只用了124秒。更关键的数字在后面：流水线中的图像压缩把LLM token成本相对GPT-4o基线削减了约85.9%。这不是调参级别的优化，而是一条分界线——决定系统能在规模化下继续跑，还是账单到手就被关掉。

先看成本侧的压力。IBM《2025年数据泄露成本报告》给出的全球平均泄露成本是444万美元，平均遏制时间241天。这个数字说的是泄露，但对建设者的启示更宽：敏感数据停留在你无法完全掌控的地方越久，一次错误的代价就越高。遏制时间是一项设计属性，不是运气。

再看可用性侧。M-Files与Vanson Bourne的联合调查显示，96%的员工难以找到文档的最新版本，83%的人曾从零重建文件。也就是说，在LLM进场之前，底层文档层已经在辜负使用者。把一个按token计费的模型架在破损的文档层之上，得到的是最糟的组合：又贵又错。

规模让问题更具体。全球流通的PDF超过3万亿份，仅一个主流协作平台每天就要接收超过20亿次文件上传。任何系统面对的都是消防水龙头，不是整理好的数据集。

权限属于查询，不属于文件

最常见的架构错误，是把访问控制挂在文档或文件夹上。这种模型逼出二元选择：一个角色要么拿到整个文件，要么什么都拿不到。真实的机构文档不是二元的。一份规划报告里有公开摘要、有角色受限的财务表格、也有可脱敏的章节。只能在文件夹层面保护时，你要么过度共享，要么把一切锁死到不可用。

替代做法是把访问层级从“公开”“受限”下沉到内容片段级，并在查询时执行。查询运行时，系统逐节评估发起请求的角色有权看到什么，只返回那部分。同一个查询、不同角色，得到真正不同的答案——不是事后加过滤，而是在内容组装之前设闸门。这是任何多角色机构可辩护合规姿态的核心。

不要迁移事实源

第二个失败模式出在迁移阶段本身。把一个活着的组织的数据复制进新仓库，版本漂移、引用断裂、意外暴露都发生在这里。更安全的模式是直连组织已经在跑的数据库，原始数据留在原地，不复制进一个可能过期的竞争性数据孤岛。

这带来两个效果。运营上，避开一场没人喜欢、也很少干净收尾的数月迁移。合规上，避免制造敏感数据的第二份副本，那份副本随后需要自己的保护、自己的审计、自己的删除策略。知识层成为事实源之上的读取者，而不是与之竞争的仓库。

索引从来不是一次性事件。内容在变，索引必须跟着变。增量索引让索引保持新鲜而无需全量重扫，这在数十亿次上传的规模下至关重要。但增量系统需要撤销能力，快照回滚可以把一次错误或部分完成的索引运行退回已知良好状态。

还有一道防护应当视为强制项：防止意外大规模删除。一个疲惫的操作员、一个错误的作用域，语料库就可能消失。一道需要确认或限制影响范围的刹车不是官僚主义，它是周二事故与职业生涯事故之间的差别。增量索引、快照回滚、大规模删除防护，这三项属性让系统在发布演示被遗忘很久之后仍然活着。

压缩有陷阱

压缩若破坏了承载法律效力的要素，比不压缩更糟。印章和表格必须存活。在监管语境下，数字表格不是装饰，印章不是logo。一条经过验证的流水线应当在缩小载荷的同时保留这些关键版面元素。如果压缩丢掉了印章，你产出的是看似合理但无效的记录，这比一份大而正确的记录更危险。

对公共部门和其他受监管工作而言，数据驻留没有商量余地。数据不能离开你的边界——不能进共享租户，不能跨到别人控制的国境之外。这是私有化、本地部署、以及在必要时气隙隔离的本地优先运行的理由。当底层数据是公民记录或国家预算条目时，“传输中加密”不是充分答案。“它跑在我们的边界内，原件从不移动”才是能通过法律审查的答案。

把上述原则落成可验证的形态，一条经过端到端验证的流水线具备这些属性：受限访问层级下沉到内容片段并在查询时执行；直连组织现有数据库，原始数据从不迁移；增量索引配合快照回滚与意外大规模删除防护；摄入、索引、访问控制、压缩、检索各阶段作为连通整体而非孤立环节被测试；在443页OFD文档上端到端124秒完成压缩，相对GPT-4o基线削减约85.9%的token成本，同时保留印章与表格。

这些属性不绑定任何特定品牌，它们是设计承诺。评估一个工具时，该问它能证明哪几条，而不是它能描述哪几条。诱惑在于优化模型而忽略文档层，数据说的相反：多数组织连文件的当前版本都找不到，而泄露以百万美元计、遏制以数百天计。便宜的胜利在上游——片段级权限、免迁移连接、可恢复状态、主权部署，以及尊重法律版面的压缩。驻留与权限粒度这两条不能事后补装，其余都可以迭代。