中国社会科学 | 人工智能赋能史学研究的实践路径与边界反思

点击图片 购买本刊

摘要：从数字工具到数智助手，技术的迅猛发展正在深刻重塑史学研究的方法体系，探寻适合的技术赋能路径日益紧迫。基于包含史料链接与重构、文献解读与分析、叙述建构与阐释的多维度、多层次数字史学研究实践表明：一方面，人工智能技术实现了从“看得见”史料到“读得懂”史料的关键跨越，其不仅能够作为高效的工具赋能史学研究各环节，也可以像学术助手一般形成自动化研究工作流，深度参与史学建构；另一方面，数智技术的引入并不意味着认识论层面上史学研究范式的根本转变，数智技术不应成为历史学者的替代者。如何善用数智技术、构建数智史学的研究规范，是历史学者的当务之急。

关键词：数字史学 数智史学 人工智能 人机协同

作者梁晨，南京大学历史学院教授（南京 210023）。

来源：《中国社会科学》2026年第8期P121—P137

责任编辑：武雪彬

从20世纪的量化分析到21世纪的数字人文，技术始终是史学研究的重要支撑，两者的结合不断深化。近两年，以生成式人工智能为代表的新技术，在大数据技术基础上，“融合应用机器学习、人工智能等智能技术”形成了数智技术。功能融合与技术迭代使得数智技术赋能下的史学研究呈现出新的方法论图景，特别是其突出的语义理解与生成能力，推动技术从执行命令的工具向能够参与研究设计与叙述分析的“学术助手”演进。自然语言处理技术（Natural Language Processing,NLP）是人工智能具有语义理解能力的重要基础。数字史学时代，史料文本分析主要依赖关键词检索和简单词频统计；NLP技术则能识别文本的语义内涵和情感倾向，进而对实体信息（如人名、地名、官职）进行自动识别和标注，即命名实体识别（Named Entity Recognition,NER）。这不仅是机器能够分析史料的关键步骤，还可以识别和标注史料中的人名、地名、时间、事件等信息，系统性识别更可为后续的史料信息挖掘和内容分析等工作奠定基础，从而赋予机器研究史料的可能。语义理解能力的不断增强，还促使人工智能涌现出强大的内容生成能力。生成式人工智能依托海量训练数据，根据给定提示词自主生成语义通顺、结构合理的全新内容。二者结合，使机器参与史学研究和建构史学论述成为可能。实际上，人工智能技术在史学研究中的运用，已经在不同的任务维度上显示出诸多成效，多语种史料的翻译、多模态史料的OCR识别与机器命名实体标注等任务已接近或达到可靠的工具化水准；在史料分析、研究路径建议等更需要深层理解和思考的任务上，尽管不同模型和语境差异导致的效果参差不齐，但其发展潜力越来越值得期待。因此，尽管人工智能的运行机制使得它难以替代人类学者，但其所呈现的能力，使得学术助手的定位绝非理论空想。

中国历史学界高度重视这一新趋势，重要学术期刊纷纷组织笔谈开展研讨，有学者就大语言模型时代历史书写的走向进行前瞻性探讨，亦有从“历史学家的技艺”视角重新审视人工智能与史学研究间的边界与可能。与此同时，“数智史学”（Digital Intelligent History）概念的基本内涵和初步框架也被提出。笔者近年来先后主持民国大学生和留学生大规模微观史料数字化整理与研究项目，在此过程中采用多项从数字到数智的技术，本文将以这些具体案例为主，结合学术界其他实践案例，探讨人工智能赋能史学研究各个环节的可能和路径，进而说明当下重要的不是人工智能能为历史学者做什么，而是历史学者应自觉行动起来，探讨如何用人工智能赋能自身研究，构建起“人机协同”的可行路径。

一、重构史料：从结构数据到非结构数据

人工智能出现之前，数字技术主要被运用于量化史学研究。这一方面固然是量化史学研究对数据有着很高的“洁净度”要求，而中国颇有一些结构规整、时间跨度长的数据史料，其中不少已建成较为成熟的数据库，可供历史学者深入研究。另一方面，尽管中国历史绵延不绝、史料丰富，“中国经济史学者在国际量化历史学术界具有比较优势”，但纵观近年来具备国际影响力的中国经济史研究，其依赖的数据库仍高度集中。以关注度较高的明清两代经济史研究为例，学术界常用数据包括清代学额、明清进士名录、清代人口、清代职官信息、清代粮价和历史地理信息等。从这些数据的特征和来源中，可以发现史料利用的一个明显约束是其必须具有易得性、集中性和结构化特质。针对这类问题，技术专家认为不仅要利用计算机搜索史料，更要利用计算机阅读、理解史料。有学者认为，“传统的精读文献、精细甄别史料的方式，是和小数据时代史料相对有限性相一致的”，在“信息革命”背景下，既往的定量研究视野、思维不足以支持对大数据的分析，也难以应对海量历史资料。因此必须将计算机技术切实融入史料阅读之中。这里的“阅读”，是要求对语义进行解析。亦有学者提出“计算历史学”概念，认为“‘计算’最终将远远超越‘统计’‘计量’，体现出人类借助于技术而实现的对历史文本、信息、数据更强大的挖掘、分析能力，弥补人脑在面对庞大信息时搜集、分析上的自然局限”。

随着数据运算技术的发展，计算机运算对象从最基本的数字发展到各类文本、图像、图形、音频等。在信息科学中，一切描述事物的符号记录都可以称为数据（data）。NLP技术的出现，为机器抓取海量非结构化史料中的特定信息或数据提供了可能，这对于突破上述史料瓶颈具有重要意义。

清华庚款留美项目是20世纪中国留学运动中影响力最大、最成功的项目之一。尽管学术界针对庚款留美议定、清华学校发展、留美学生就业动向等问题进行了数量和质量可观的研究，但对清华留美生归国后整体职业发展过程的系统性研究，始终囿于资料和方法限制难以深入开展。在缺乏每位留学生归国后翔实履历的情况下，当前系统的职业研究只能局限于1936年前后这一时间切片上大约一半学生的职业情况，以及零星散见的传记。为了攻克这一研究难题，笔者团队借助NLP等数字技术开发了“清华留美生数据库”。该数据库针对1909—1944年受到庚子退款资助，由清华考选赴美留学的1417名学生的数据组成，首要目标是搜集其职业数据。非结构化的海量史料中蕴含着丰富的清华留美生职业信息，但相关信息的模糊性和不确定性是一个重大挑战。以1913级清华留美生王景贤为例，1937年《清华同学录》原始版本中，其记录如下。

这是《清华同学录》中登记人员信息的典型格式。《清华同学录》由清华大学校长办公处编写，是研究清华留美生的一手史料，具有鲜明的结构化特征，其主要价值在于完整提供清华留美生的名录，并提供大部分学生的生年、籍贯、学位及专业等基本信息，同时记录了40%左右的校友1936年前后的职业信息。早在20世纪90年代，《清华同学录》就曾被作为量化统计研究的对象，但由于每人至多一条职业信息，不足以进行职业生涯研究，需补充其他材料。补充数据库的理想方案是结构化数据库的互连——连接不同主题，符合同一数据规范的多个历史数据库，然后从中抽取王景贤信息。若掌握近代以来所有政府机构人员的职员录、所有高校的教职员录、所有企业的人名录，甚至一些家谱、地方志中全部可以结构化的数据，且这些数据位于同样的元数据标准之下，那么搜取信息不但水到渠成，而且所有材料有据可查、可信度极高。然而，目前在没有这些互联数据库的情况下，王景贤只有一条结构化数据记录。因此，采用量化方法研究和王景贤类似的1417名清华留美生，利用非结构化资料就成为唯一的选择。在团队开展数据库建设工作之前，已有学者尝试编撰王景贤人物小传。其中，较有参考价值的资料有两处，其一是1994年中国水利百科全书编辑委员会编纂的《中国现代水利人物志》：

王景贤（1892.12.15—1978.1.12）……曾任天津水利委员会工程师，北宁铁路工程师，锦州交通大学教授，沈阳东北大学教授，导淮委员会设计室主任工程师……云南霑盖（益）飞机场工程处总工程师兼副处长，云南大学教授、土木系主任。1949年后历任云南大学土木系教授、系主任，云南水力发电工程处总工程师主办石龙坝新厂工程，四川大学工学院水利系教授，成都工学院水利系教授等，第2、3届四川省政协委员。

其二是清华大学校史馆网站上刊登的谭清华的《清华学校毕业生考（上）：1912—1919级》，文中有相关记载：

王景贤，字季良，天津人。1918年获里海大学土木工程师，1920年获康奈尔大学土木工程硕士学位。回国后任职天津海河工程局、实业部标准委员会，东北大学、锦县交通大学、中央大学教授；三十年代初期任导淮委员会设计工程师，参加过整治淮河大型土建工程。1937年入重庆，任四川綦江水力发电处处长，1943年参与美军“飞虎队”“驼峰航线”物资转运内地唯一通道沾益机场的设计及现场施工，工程质量拔尖经考验。1946年受聘任云南大学土木系教授，主持修建因日军轰炸受损的云南大学标志性建筑“会泽院”，是一位土木建筑、水利工程两拔尖的专家。1952年院系调整，调入四川大学水利系，1953年秋，工学院从四川大学分出，成立四川工学院，王景贤任四川工学院教授后，1954年编入水能利用教研组。1956年2月被增补为政协第一届四川省委员会委员。

上述非结构化的个人传记蕴含丰富信息，可以补充清华留美生的职业信息，但史料记载存在诸多模糊之处，如王景贤1920年回国后的第一份职业是什么，任职多久？又如在两处传记中列出的所有“曾任”工作中，任职先后顺序和确切时间是什么？在王景贤的职业生涯中，一个重要转变是20世纪30年代从高校转去南京国民政府导淮委员会任职。然而，对于计算机来说，“20世纪30年代”是过于模糊的时间信息，很难量化统计。这些资料不具备成为结构化资料的逻辑基础，因此唯有多条材料相互补充、多方考证，才有可能突破这一局限。这正是“清华留美生数据库”建设项目开展时面临的首要困境。为此，本团队由香港科技大学博士研究生侯玥然牵头，设计了一套聚合搜索系统，从多个全文或索引资料库中爬取大量非结构化信息（具体过程参见图1左侧所示）。

仍以王景贤为例，该数据库工作流程为：首先使用Python设计的聚合搜索系统抓取“王景贤”，在CNKI工具书馆（3条）、上海图书馆全国报刊索引（56条）、读秀学术搜索（986条）、晚清和民国时期中文报纸集（East View）（7条）以及抗日战争与近代中日关系文献数据平台（0条）共抓取1052条信息。信息存储在CSV格式的结构化文档中，每条信息中包含数据库名、查找人名、信息项题注、信息项内容、信息项链接5个字段。经过人工排查，挑选出14条可供参考的有效信息。例如，从全国报刊索引数据库中，发现《国民政府公报》1934年2月1日第5页中有“令导淮委员会：呈为荐请任命王景贤为技正，王凤曦为技士，仰祈鉴核由”。这条材料说明，1934年王景贤被推荐担任南京国民政府导淮委员会技正。整个工作流程的优势在于整理者可以快速翻阅来自多个全文或索引数据库中的记录，排查不需要的条目，并将题注和链接等内容快速粘贴整理至备查档案库中。概括而言，该数据库的建立过程是一个以检索技术辅助历史学研究者进行考据，并将研究者筛选处理的信息使用规范手段固定为数据库的过程。从效果看，数据库最初仅包含约60%学生的单条职业信息记录，采用机器与人工结合的手段从大批量非结构化史料中挖掘补充数据之后，每人平均职业信息记录达8条左右，其中追踪到3条以上职业信息记录的学生有1172人，超过总人数的80%，这不仅为系统研究清华留美生的职业特征和历史贡献提供了坚实的史料基础和数据平台，也展示了数字技术赋能历史学者，开展大规模非结构化史料利用的可能。

二、解读史料：从文献识别到语义提取

如果说数据连接解决的是“哪里有史料”的问题，那么史料的智能解读解决的则是“如何从史料中提取信息”的问题。对于历史学研究而言，阅读史料不仅要“看得见”文字，更要“读得懂”语义，进而实现信息的结构化提取。作为机器介入史料分析的关键技术，早期学者利用基于规则的NER技术自动识别古籍中的人名、地名、时间、事件等实体信息，这一方法存在明显局限：历史文献中的人名、地名、官职名往往随着时代和语境而变化，预设规则难以覆盖所有情形，导致识别准确率参差不齐。进入大语言模型时代，NER技术的底层逻辑发生了根本性转变。基于统计原则的NER依托海量语料训练，能够从复杂多样的史料中自动标注和提取实体信息，并具备跨语言、跨文字形态的处理能力。更重要的是，大语言模型已经能够在一定程度上理解历史文献的语义，而不仅仅是进行字符层面的模式匹配。

尽管人工智能处理专业或精深问题的能力尚不足以与专业学者相提并论，但在算力支持下，其能够较为有效地深入史料，完成具体信息的标注、提取和系统分析等工作，从而帮助历史学者显著提升处理效率、扩大史料利用范围、拓展研究问题的边界。由于史料规模庞大、形式和内容复杂，无论是人力还是数字技术，在分析处理时都存在诸多局限：多语种史料解读困难，大规模史料无法系统利用，体例多样或电子化效果不佳的史料难以系统提取信息并展开分析。处理能力不足之下，研究者即便知道存在多样且丰富的史料，也只能“望洋兴叹”，“选精”与“集粹”便成为不得已的处理办法，而这无疑与史学研究坚持的穷尽史料与客观性原则相冲突。借助人工智能更为强大的自然语言处理能力，使其能够在看似“读懂”史料的基础上，深入史料的重组和分析中以技术之力弥合“穷尽”与“选精”间的鸿沟。概括而言，人工智能解读史料的能力至少体现在以下三个方面：翻译层面（突破语种限制，拓展可用史料范围）、语义理解层面（OCR识别和NER标注）和分析应用层面（处理复杂形态原始档案，完成从识别到结构化建库的全流程）。这种从“识别文字”到“理解语义”的质变，正从根本上改变历史学者利用史料的方式——不再局限于人工阅读和简单检索，而是能够在算力支持下，对海量史料进行系统化的语义挖掘与知识重组。

目前人工智能在翻译效率和翻译质量上已经明显优于过去的翻译软件。南京大学历史学院依靠通用大语言模型建立的“数智文献处理平台”，经过多轮测试和试用，不仅能够较好地识别中文史料中常见的印刷体、手写体及竖排古籍中的文字，甚至对外文史料中常见的花体字和波斯语等小语种也能较好地识别和翻译。该平台还能够结合人工智能对史料文献的理解，不断调整以提升翻译准确率。尤为关键的是，该平台还提供了译文与原始文献的精确对应，以便研究者更有效地判断和追踪机器翻译的可信度。又如，针对西夏文这类识读能力久已失传、难以利用的稀见语种材料，陕西师范大学历史文化学院的团队通过人工智能技术，构建了相应的智能平台，以图像识别技术为基础，通过字形生成与合成训练，实现了“低资源条件”语言的机器高识别率与翻译的高准确性。此类技术进展使研究者得以在有限时间内高效处理跨语言史料，实质性拓展了史料利用的广度与深度。

史料数字化是数字史学的基本前提。OCR技术能够将纸质文献或电子图像转换为可计算的电子文本，当前百度PaddleOCR等工具在处理中文尤其是古汉语文本方面效果显著。不过，对于保存质量差、字迹潦草和排版复杂的史料，各类OCR工具仍面临较大挑战。笔者在利用各档案馆所藏民国大学生学籍卡建设“民国大学生数据库”的过程中深刻体会到：学籍卡多为手写体且格式不一，传统OCR识别率低，往往需要大量人工补录和校对，成为数据库建设中最耗时的环节之一。近年来，随着视觉大模型的引入，手写体史料的识别准确率有了明显提升，为数字史学向数智史学的转型奠定了基础。

“民国大学生数据库”包含34所民国高校，学生规模庞大，传统量化研究的很多环节都需要投入大量人工，如纸质档案只能依靠人工输入才能转化为机器可读的数据，史料数据也需要通过人工进行信息分类、标注和赋值才能进行统计分析等，整个过程耗时耗力。如今，在人工智能赋能下，已完成扫描的学籍卡图像可直接交给人工智能处理，借助自然语言提示词开展相关的处理和分析工作。为验证上述技术构想的可行性，笔者在本地工作站部署了通义千问Qwen3.6大模型，对竖排版手写体的民国各界人士致金陵大学校长推荐学生信函等资料，开展自动识别和数据建库工作。具体工作流程包括首先对大模型进行角色定位：“你是一位民国档案数字化领域的专家，具备极强的手写体辨识能力（繁体中文、文言）。你的任务是将杂乱的民国手写信件扫描件整理为结构化数据。”同时对工作提出四方面的核心约束：“（1）严禁翻译与概括：只做转写和提取，不输出任何翻译、大意、评论。（2）繁体忠实性：所有识别结果必须使用繁体中文，严禁将原文转化为简体。（3）原文完整性：严禁臆测。无法辨识的字使用‘□’代替。（4）格式保留：保留原文中的标点符号、印章位置描述、英文词汇（如姓名签名、学位缩写）。”机器遵循文件分件、高保真OCR转写、结构化信息提取等工作流程，较为顺畅地完成了上述工作要求，最终呈现出图2所示的效果。

总体而言，大模型能够较好地自动识别竖排繁体中文史料，基本正确地理解“从右至左、逐列下行”的阅读规则，还能依托内嵌机制，较准确地区分各类实体信息，如地名、人名和职务等，甚至能初步识别信件中出现的人物之间的社会关系。此外，大模型对手写信件中的插入语、旁注及模糊字迹也展现出较强的理解与还原能力，这无疑大幅提升了大模型的史学应用价值。过往大规模史料信息提取与数据建库等任务工作量巨大，需要的资源众多，而人工智能的使用很可能会改变这种局面。

对于已完成数字化、以机器可读格式存储的史料，经整理后可根据不同的研究目的，采用不同方法将原始文本转换为结构化数据，并借助Python、R等开源工具开展数据抽取与量化分析，挖掘隐藏于史料中的新史实。这种研究方法已在诸多量化历史研究中得到印证，其核心是依靠微观历史信息，开展中观实证研究，进而形成宏观历史认识。但这一工作存在一个不可或缺的前提，即需要对电子化的史料信息进行检查、修订，降低输入或识别错误，同时还需要对复杂、多元的关键信息开展消歧处理。例如，人名存在大量同人异名（字号、异体字等）和同名异人（重名）的情况，需要先进行数据清洗才能开展研究工作。有学者指出，数字史学研究中约80%的时间用于数据清洗等预处理，仅20%的时间用于真正的研究。由于技术所限，清洗工作通常必须由具备历史专业背景的学者承担，耗费了大量时间与精力。

笔者在建设“民国大学生数据库”时，姓名、单位名的消歧是最费时费力的工作，这一困境在人工智能技术引入后有望得到改善。在数字技术时代，学生家庭地址的识别，只能按村（屯、庄）、乡（镇、公社）、县（区）等层级地址编写程序半自动识别，容易出现偏差，因此只能靠人工进行消歧。现在借助大语言模型，可直接理解文义并自动抽取地址，甚至按照行政区划进行分层标注。再如，香港科技大学李中清—康文林团队建设的“中国历史官员量化数据库——清代缙绅录”收录超过460万条记录，官员姓名消歧工作极为繁重。该团队最初采用手动定制化方式处理异体字和同名异人等问题，准确率有限且缺乏可扩展性；近期转用基于机器学习的工作流，利用人工智能的自然语言处理能力，大幅提升了识别与连接的准确率，显著降低了人工校验成本，且方法具有良好的泛化性。这些研究进展表明，具备语义理解能力后，人工智能能够在体例复杂、格式多样的史料中，自动完成信息标注、提取与系统分析，将文献中的关键信息转化为可计算的数据。尽管这一过程并不简单——既需要针对性强、逻辑清晰的提示词，也需要研究者时刻监督和反复修正机器的输出——但即便结果粗糙且需反复验证，仍能有效节省时间与成本，使过去无法开展的多样化、大规模史料利用成为可能。

综上所述，人工智能对史料利用的革新，经历了从“看得见”到“读得懂”再到“用得上”的递进过程。尽管当前人工智能的理解深度仍无法替代专业学者的判断，其输出结果也需要研究者持续监督与修正，但毋庸置疑的是，人工智能正在将史学研究从“选精”与“集粹”的权宜之策中解放出来，“穷尽史料”这一历史学学科理想正在获得前所未有的技术支撑。同时，人工智能在史料解读层面的赋能，并不是要取代历史学家的阅读，而是将历史学家从重复性的“信息提取”劳动中尽可能地解放出来，使其能够将更多精力投入到更具智识含量的问题识别、语境解读与历史阐释中。

三、研究史料：从信息关联到叙事构建

人工智能对史学研究更深层次的赋能，是跨越量化进入历史叙事的重构。无论机器的“读懂”史料是否只是一种技术表象，在算力支撑下，其语义理解能力不仅对量化研究有价值，而且对依赖文献细读的传统研究同样有价值。文献细读被认为是历史研究的核心范式之一，其重要目的在于深入理解史料的信息与内容，发现其中的关联，进而在史料基础上构建精妙、细致而复杂的历史叙述。不过，由于脑力所限，这种工作常常需要经年累月，而真正能够连接起来的史料或信息总是相对有限。如今，依靠人工智能，历史学者可以对多样化的文献史料开展系统性的信息识别和标注，这一工作当然可以成为量化研究的基础，但更重要的是，它首先实现了史料的深入拆解和信息关联。除了量化分析之外，还可以采用关系抽取（Relation Extraction）技术，利用人工智能的问答和生成机制，将多样化的史料转变为具有内在知识关联的知识库或知识图谱，从而影响甚至改变我们建构历史叙述的方式。

回到本文的实证案例。图2中的推荐信史料被机器识别、标注以后，能够与“民国大学生数据库”进行信息关联和分析。如让人工智能比较两个数据库中学生姓名，帮助研究者确认被成功推荐和未被成功推荐的学生名单。研究者还可以进一步查询或追问，成功群体与未成功群体在家庭背景、推荐人关系等方面是否存在一定的趋势或规律。这种历史研究的模式与过往的人脑细读已有所不同，大量史料中隐含的、依靠人脑阅读难以感知的知识，很可能由此被凸显。为了测试这种研究路径是否有效和稳定，笔者分别选取民国大学档案中常见的表格类学籍卡和叙述型教职员履历书，以两种不同文献开展对照测试。依靠统一的提示词并结合人工核对，人工智能对不同史料开展实体识别和关系提取都取得了较好效果。这意味着今后历史学者可以在少数研究者的配合下，借助人机协同的工作模式，在短时间内深入处理大规模、多样化的史料，不仅可以开展量化研究，还能够以问题为核心，开展追问和查询工作。这种新的史料利用方式和研究路径，其价值不仅在于依靠机器算力提升研究效率，更在于推动历史研究从单一的“文本细读”模式发展到包括“数据驱动”“问题导向”等在内的更丰富的模式，历史学者研究问题的边界和思考方式也将由此改变。

在信息标注与史料关联之外，人工智能还可以在一定程度上延伸至史学研究的设计与分析环节，从而更直接地“研究史料”。再以民国清华留美生职业发展研究为例，为考察香山籍学生的社会网络关系，笔者将数据表上传到Claude Opus 4.6模型，并与机器开展多轮对话式研究。首先，笔者给机器提供香山相关地名，要求其提取全部1417名清华留美生中的香山籍学生。最终机器发现101人，经笔者人工核查无误后制作成单独工作表。其次，对于该工作表数据，笔者要求机器对其中各栏数据进行归纳，即计算该群体的性别构成、县域来源、留学专业、职业分布和社会关系等基础信息。机器完成后，笔者随即开展第三轮对话，要求其“思考如何总结表格数据并识别研究特征”，机器通过总结上述基础信息，归纳出8项可开展研究的群体特征（见下表）。

在此基础上，笔者进一步与机器开展第四轮对话：“根据家庭信息、生涯概述、职业类型、职业地点和人际关系等几个板块数据，绘制一个体现该群体社会网络的可视化关系图。”机器很快完成了“清华香山籍留美生社会网络图谱”（图3），进而实现了从信息抽取到关联分析，再到可视化呈现的系列研究过程。

人工智能在上述工作流程中体现出的能力和实践效果，远非当下的技术天花板。最近一段时间以来，大模型应用正在从提示词设计向多智能体协同演进，后者在史料收集、文本分析、论证审查等环节，能够呈现出与历史学者相近的处理效果，在特定任务层面具备较强的专业适用性。多智能协同可以帮助历史学者建立智能文献平台，从而实现根据用户指定的结构对任意文本、图像等多模态材料进行结构化信息抽取，自动生成表格或知识图谱。智能文献平台支持将用户数据快速构建为可供检索、查询与分享的知识库，并自动构建用户专属的智能体，实现基于自然语言的精准信息获取、智能问答，以及量化统计、图表绘制、网络分析等多种任务，具有针对性更强、操作简便的特点。例如，南京大学数智文献处理平台在语言翻译之外，亦具备基于给定史料生成知识图谱的功能。北京大学数字人文研究中心开发的“吾与点”智能数据平台，其核心能力是将原始材料处理为智能数据，为大模型在研究场景中的落地应用提供了全流程解决方案。

笔者团队以“清华留美生数据库”为基础起点，通过数个专业化智能体协作，力图实现从原始档案到结构化人物关系的自动化生成的历史文献挖掘系统。这一工作由检索、消歧、精判和传记四个智能体承担，其工作流程可见“清华留美生数据平台技术路线图”（图4）：首先，检索智能体承担人物信息与文献搜集任务，连接上海图书馆人名规范库、抗日战争与近代中日关系文献数据平台等开放获取平台，对每位留学生的姓名执行模糊匹配，所得候选经去重后传递至消歧智能体。其次，消歧智能体借鉴传统史学中“以地辨人”“以时考人”等基本考证方法，利用“清华留美生数据库”中已有的生卒年份、籍贯省市、专业方向等结构化先验信息构建评分函数，当最优候选与次优候选的评分差距不足阈值时，自动标记为“存疑”以待人工复核。再次，精判智能体在此基础上引入大语言模型辅助甄别，依据年代背景、地名、专业等副信息的吻合程度作出“确系同一人”“可能匹配”或“可以排除”的三级判断。最后，对于精判通过的记录，传记智能体再结合基础数据库以及精判之后外部检索数据等抽取出人物的基本信息及生平小传、教育背景、工作经历等扩展信息，并格式化为标准化的传记档案留存。在此基础上，系统实现基于人物信息的知识图谱构建，提取人物间的学缘（共享院校经历）、地缘（相同籍贯）与职业共事（任职机构与时间重叠）三类关系，自动构建以特定学者为中心的学术交往网络，并以检索过滤和图谱可视化等方式服务于学者的交互查询。

该平台具有知识问答功能，能够根据提问对上传的清华留美生做各种维度的分析，以助力学者研究。如可以要求平台从同学关系、同乡关系和同事关系，计算作为教育家的梅贻琦和作为技术专家的夏勤铎各自的社会关系网络，以便理解不同背景和专业的清华留美生职业发展路径上的差异。这一系统便能迅速完成计算，不仅可以提供具体的关系数据或史事，还能以关系图谱的形式直观呈现出来（图5），彼此关系网络的异同清晰可见，学者对这一现象的认识便自然随之生发。

上述结果表明，人工智能除了提升效率之外，正逐渐发展出决策建议和参与研究的可能。这引发了一个深具认识论意义的追问：当人工智能阅读了数以百万计的历史文献并识别出某种模式时，这个模式的认识论地位是什么？它是历史的“发现”，还是算法的“建构”？此外，如果研究者今后越来越依赖人工智能提供的研究建议或路径，人类知识的生产与创新将越来越被其主导。由此形成的知识是否具有创新性，尚存在很大争议。同时，过度依赖必然会持续削弱人类的思维和创造力，甚至导致人类知识的“崩塌”。因此，亟须为人工智能的研究参与设定边界和规则。随着技术的发展，技术在研究中的角色与定位还会发生深刻变化——从只会单向执行程序语言的分析工具，不断转变为可以部分理解史料和参与研究的助手。这一转变之所以能够形成，从技术角度看，是因为人工智能当前具备的能力可以帮助研究者挖掘史料中的隐含知识，为研究分析提供视角和建议。同时，人工智能依靠自然语言与研究者交流的状况，又从体验上加强了研究者认为其是助手而非工具的观感。但需要强调的是，助手的定位意味着人工智能无法自主或主导研究。使用人工智能并不是为了替代研究者，其核心价值在于不断降低研究者系统化处理和解读史料的门槛，在为研究者赋能增效的同时，帮助其将更多精力投入到研究问题的锤炼、解释框架的构建与历史意义的阐释等更本质的任务中。

结论

当前技术变革对史学研究的影响是全面且深刻的，甚至已经开始重构史学研究的工作流程和范式：在史料使用这一基础层面，过往主要依靠结构化史料的格局正在被改变——人工智能对版式混乱、非结构化的复杂史料也能逐步开展实体命名识别和信息提取，“史料即数据”的局面正在形成。在知识发现这一研究关键层面，人工智能可以更有效地关联史料和实现隐性知识显性化，进而在“一切皆可数据化”的基础上，助推“一切皆可量化”研究模式的形成，丰富以叙述为主的现有史学范式。在意义追求这一研究终极层面，技术赋能拓展了研究问题的边界和研究者的思考方式，在技术从“被动执行”向“主动协同”跃升的过程中，进一步将研究者从重复性劳动中解放出来，为研究者提升分析能力，为史实发现、解释创新和价值深化提供更多的可能。

面对以月甚至以周为迭代周期的人工智能技术，立足当下已殊为不易——许多判断随时可能过时或失效；展望未来，困难更甚。但正因为技术更迭如此迅猛，史学界更需要超越对具体技术形态的追逐，转而思考一种具有稳定性和前瞻性的“人机协同”的研究模式：以意义明确且系统化的史料作为研究基础，以人工智能作为拓展认知边界的助手，以历史学者为真实判断和价值诠释的主体，构建三位一体、作用不同、定位明晰的研究体系。具体而言，“人机协同”的研究模式，需要落实为可操作的工作流程：其一，史料预处理与格式统一，即在人工智能介入前，研究者需明确史料的载体形式、语言文字与预期格式，为后续识别与抽取奠定基础；其二，提示词设计与任务分解，即研究者依据研究问题，将复杂任务拆解为识别、标注、抽取、比对等可执行步骤，并以清晰、结构化的自然语言指令引导机器；其三，机器产出，即人工智能依据提示词完成信息识别、实体标注、关系抽取或初步统计分析，形成可供审查的中间成果；其四，研究者核验与修正，即研究者依托专业知识对机器产出的准确性、完整性与合理性进行系统核查；其五，结果整合与历史学阐释，即研究者将核验后的信息纳入具体的问题意识与解释框架，形成历史论述；其六，复核与提示词迭代优化，即根据阶段性产出效果，反思并调整提示词设计，形成循环改进的工作闭环。这一流程强调，无论技术如何演进，历史学者始终居于流程的两端与核心——问题的提出者、任务的设计者与结果的把关者。在此框架下，人工智能负责处理规模化数据、揭示潜在关联，而学者则专注于深度解读、理论构建与人文关怀。

对于当代历史学者而言，如何借助人工智能推动史学研究发展，已然成为一个亟待回应的现实议题。数智技术的高速发展，既引出了技术理性与人文精神如何融合统一的命题，也对史学研究者的素养提出了新要求：其一，提示词设计与迭代能力，即能够将史学问题准确转化为机器可执行、可核验的自然语言指令；其二，结果核验与史学判断能力，即能够依托专业积累辨识机器产出中的错误、遗漏与似是而非之处，而非全盘采信；其三，技术边界意识，即清楚认识不同工具与模型在准确性、稳定性与适用范围上的局限，避免将技术能力泛化或神化；其四，数据伦理与学术规范意识，即在使用人工智能处理档案史料、发表研究成果时，审慎对待数据来源、隐私保护与学术诚信等问题；其五，人机分工的统筹能力，即能够合理判断哪些工作可以托付机器、哪些环节必须坚持亲力亲为，从而在效率与学术责任之间保持平衡；等等。这些素养的形成，将是“人机协同”研究模式得以真正落地、发挥效用的关键前提。

〔本文注释内容略〕

来源：中国学派微信公众号

新媒体编辑：程可心

如需交流可联系我们