一句话定义：摘要漂移（Summary Drift）指在分层、递归式的多轮摘要中，每一次压缩产生的取舍误差被当作事实继续向下传递，几轮之后摘要的重点、比例甚至结论偏离原文，并且偏离方向基本不可逆。
原理：复印件级联放大
单次摘要类似有损压缩（lossy compression）：把一万字压到一千字，模型必须选择删掉什么。删减依据是“这段文字里什么看起来重要”，而重要性依赖上下文。第一层通常没问题：细节没了，主干还在。
问题出现在第二层：把十段第一层摘要再压缩。此时每句话都已变成同等平滑的陈述句，原文中真正的重要信号，比如反复强调、数据密度、“但是”后面的转折、作者花三段讲的那件事，在摘要里已经被磨平了。模型只能按“读起来像不像重点”来选，于是误差从删除变成改写。
到第三层，剩下的话往往最通用、最不容易错。抽象陈述在任何语境下都成立，所以最安全；具体数字、限定条件、反例最先被淘汰。结果是摘要正确、流畅、且没用：每句话都能在原文找到影子，整体却已经偏移。它像是把“某方案在 A 条件下比 B 快，但在 C 场景会退化”压成“某方案性能更好”。
误差并非线性叠加，它带有方向，偏向更抽象、更平均、更不容出错，因此叫“漂移”而不是“噪声”：噪声是随机的，漂移是有方向的偏移。
和相邻概念的区别
| 现象 | 出错方式 | 典型表现 |
|---|---|---|
| 幻觉（hallucination） | 加入原文没有的 | 编出数字、来源、结论 |
| 摘要漂移 | 逐层丢失限定条件与重点 | 每句都对，整体偏移 |
| 长上下文失焦（context rot） | 单次超长输入中中段被忽略 | 中间段落的内容问不出来 |
实际意义
对从业者：分层摘要不要只传摘要文本，要同时传递锚点，比如关键数字、专有名词、关键原句片段和指向原文的引用；最后一层务必回原文抽检；在 RAG 与记忆系统里，摘要层应定位成索引而非替代品，必须能回溯到原文。也可以减少层数，或在同一层做“合并”而不是“再摘要”。
对普通人：看到“AI 总结的总结”要多留一分警惕。判断标准很简单：这份摘要是否还保留了让你能做决定的那些条件。如果只剩“整体向好”“效果显著”这类放之四海皆准的话，就该问一句：这个结论是从哪段原文来的？