中国社会科学 | 从数据库到智能体：人工智能参与史学研究新形态

2023年3月，GPT⁃4大语言模型的发布在全世界引发前所未有的震动，它在各类智能领域的表现与之前相比，性能大幅提升，核心突破是具有极高的通用性与极低的使用门槛，不仅极大提升了大众的参与度，也给学术界带来巨大冲击。2025年以来，各大人工智能企业将知识库与智能体构建平台流程简化到人人可操作的水准。专业化知识体系的搭建形成新一轮的人工智能助力，消解着最初一系列怀疑与批判的声音，推动人类社会迈向人工智能时代。那么，对于传统学科的历史学而言，进入人工智能时代的学术研究将发生哪些变化？人工智能对历史学学科影响的深度与广度如何？未来历史学者的研究工作会在哪些方面受到人工智能的驱动？笔者认为，只有了解这些问题，并结合历史学的整体发展脉络进行梳理与研究，才能真正理解人工智能与历史学的内在联系，预测其未来发展态势，既不被人工智能左右，又能使其为己所用，为历史学在时代浪潮中找到更有利的发展契机与路径。因此，本文拟以此为切入点，厘清其发展方向、理念与趋势，探讨人工智能的可为与不可为。

人工智能工具最早应用于史学研究，主要集中在数字史学分支，这与数字史学的基本研究范式有关。人工智能工具在数字史学研究的数据库建设以及模型分析中发挥了重要作用。梳理数字史学发展脉络，学术界基本认同其研究理念早在20世纪五六十年代即已产生，但整体应用于史学研究并在多个领域进行实践，大致始于八九十年代。美国数字史学领域先驱道格拉斯·西费尔特 （Douglas Seefeldt）与威廉·G.托马斯 （William G. Thomas）曾对“数字史学”进行了定义，“数字史学可以广义地理解为一种利用计算机、互联网网络和软件系统等新通信技术来审视和呈现过去的方法”。他们在《什么是数字史学？》一文中以代表性项目为案例，厘清了数字史学（Digital History）与传统的单一文本数字化（Digitization）之间的区别。强调数字史学并非“数字+史学”，而是一种全新的历史研究方法。其中，计算机、互联网与软件分析成为支撑数字史学的工具与手段，形成史学研究新的“方法论革命”。自数字史学产生以来，相关研究成果频出，形成诸如量化分析、文本挖掘、数据库建设与软件分析等多种研究路径，历史研究的可视化呈现日益增多，长时段、大数据与大样本分析成为主流，“使史学更趋科学化”，成为新史学具有代表性的发展趋势之一。

然而，从目前数字史学发展来看，这种研究路径难度很大，开展数字史学研究至少需要克服两方面难题。

第一，数字史学数据库构建复杂且耗时耗力。构建计算机可识别的数据库系统，是进行数字史学研究的第一步。相较于文献数据库，用于数字史学研究的大型量化、统计与空间分析数据库的构建，需要从浩如烟海的文献数据库中提取要素数据，将历史文献转化为结构化数据，形成计算机可识别的数据属性表，整体工作量巨大且繁难。如构建历史人物数据库，需要提取历代人物的籍贯、履历、生卒年代、迁转地点等一系列数据，编制成相关属性的统计表。量化史学数据库、灾害数据库、历史GIS空间数据库的建设过程与之类似。这些数据提取需要人工完成，各类数据库建设周期很长。如哈佛大学包弼德主持的“中国历代人物传记资料库”（CBDB），历时二十余年，目前仍在持续建设、完善中。李中清、康文林团队开发的“中国历史官员量化数据库”（CGED），历时近六年才公布首批数据，至今仍未完成梳理工作。人工数据库建设很难在短期内完成，许多学者望而却步，也有一些学者被困在前期数据库建设中，无法进行后续的分析、研究工作。

第二，从事数字史学研究的历史学者需要掌握数字技术，增加了专业难度。从历史文献中提取让历史学家认可的历史数据，不仅要接受历史学的专业训练，具备良好的文献功底，还要学习新的数字技术。数字技术贯穿数据提取、数据标准化、数据库搭建、模型分析全过程。提取的文献数据需要生成计算机可识别的内容，并将其转化为标准化的时间、地点等，运用于分析模型中，甚至有时还需要编写代码、开发程序，不掌握数字技术便无法执行上述操作。法国历史学家勒华拉杜里有一句名言：“明天的历史学家都将是程序设计员，否则就不再是历史学家。”通历史、懂技术、学编程，这些都对数字历史学者提出了更高要求，从而抬高了这一研究方向的准入门槛。有些研究需要引入跨专业研究力量，或采用交叉学科合作的方式才能完成。一些研究成果虽然技术层面较为完善，但没有把握好历史学的核心问题，导致研究深度不足，也难以被历史学界认可。

因此，数字史学研究的推进并非易事。就近年来数字人文、量化史学、历史GIS研究整体发展而言，学术理念不断完善，优秀成果众多，但其中暴露出的问题仍无法忽视。

早期的人工智能多以软件工具的形式参与史学工作流程。如在历史文献资料自主检索中，利用python 语言编写爬虫程序，不间断地自动检索文献，批量获取量化史学资料信息。利用机器学习与图像形态学方法，从古旧地图中提取标注颜色与形态信息的河网水系系统，进行历史地理信息数据挖掘，高效完成近代彩色地形图的数字化工作。利用符号辨识、图形对接等方式进行古文字识别、甲骨文拓片整理、敦煌出土文书的拼接缀合，甚至运用于艺术品修复等。这些都是利用人工智能工具开展的史学研究，学术界已有很多总结，本文不再赘述。 实践证明，人工智能工具的使用较之单纯的人工投入省时、高效，但对科研人员的技术要求很高，科研人员若不掌握编程语言、空间技术、图像形态学与机器学习原理，便无法完成这种技术含量较高的工作。

2010年以后，人工智能进入“深度学习”阶段，直接催生出大语言模型（Large Language Model, LLM）与生成式人工智能（Generative Artificial Intelligence, GAI），在自然语言处理领域取得突破性成果，且具有通用性高和使用门槛低的优势，能够根据用户输入指令，自主生成文本、图片、声音、视频、代码等新内容，这在人工智能发展史上是具有划时代意义的事件，使人工智能成为人人可用的工具。人工智能应用于数字史学研究，可以帮助我们自动生成计算机代码、进行史料爬梳；处理文献、生成结构化数据；自主完成信息搜索，生成数据属性表、构建史学数据库；建设智能体工具平台，实现数字史学一站式工作流程等。针对数字史学领域存在的技术门槛高、研究效率低等问题，人工智能在操作与运行层面打开了新路径。其核心工作主要体现在以下三个方面。

第一，史料收集与史料处理。利用人工智能自动生成计算机代码，可以实现多元史料的收集、爬梳，省去了学习Python 语言、编写爬虫程序的过程。代码生成是生成式人工智能的一项重要技术突破，目前，各大主流人工智能平台都推出各自的编程工具，如OpenAI的 Codex、ChatGPT可编写爬虫的Copilot、文心快码（Comate）、腾讯云AI代码助手，各类工具虽功能各异，但都可辅助代码生成。复旦大学历史地理研究中心李爽利用“氛围编程或直觉编程”（Vibe Coding）与AI编程助手，使用Codex以自然语言描述需求，搭建近代上海城市发展平台，集成了包括台湾“中研院”、天地图·上海等开放网站上的大量地图资源，仅用4小时便搭建了一个近代上海城市复现网站，时效速度大幅提升。编程工具可完成多项任务，在历史资料的处理上也有重要助益。历史地图是历史地理研究成果的最终体现，其生成过程中的地理定位最为关键，以往研究需对点、线、面要素逐一进行考证，依次完成史料考证、地理坐标查询、数字地图定位等一系列繁琐的流程，工作量巨大。大语言模型的自动匹配功能可实现批量定位，笔者团队在进行瑞典地理学家斯文·赫定（Sven Hedin）新疆考察路线定位时就曾使用了这一功能。1894—1908年，斯文·赫定先后多次在新疆考察。在此过程中，他曾开展逐日天气观测，并留下沿途地点记录。目前对这批文献进行考察存在两大难题。其一，地名标注不标准，存在明显的音译特征和临时性。许多地名是依据当时当地语言或口传名称转写为拉丁文，拼写不统一；不少地点并非固定居民区，而是山口、河流节点、井泉、临时营地或观测站，部分地点甚至仅以罗马数字编号，无法对应现代地名。其二，部分路线点经纬度记录存在缺失或不连续现象，难以还原各地点之间的空间关系。斯文·赫定在考察报告资料说明中讲到，观测表中空缺的经纬度数据，可依据前后相邻的记录采用插值法进行补充。由于空缺的经纬度数据数量较多，若完全依靠人工逐项计算，不仅工作量巨大，而且难以在大批量数据处理中始终保持统一的换算格式、插值规则和记录标准，处理过程繁难。为在最大程度尊重原始文献和斯文·赫定既定处理原则的前提下复原地点信息、行进路线，本团队在资料整理过程中借助了ChatGPT完成批量插值计算。具体操作流程为：将整理后的Excel数据导入人工智能，明确数据处理目标，设定基本原则和插值规则，以前后两条存有经纬度的记录作为控制点，根据缺失区段内地名记录的先后顺序进行线性插值，并补充经纬度空缺记录。同时要求ChatGPT“严格按照规则执行，不改动规则，不省略检查步骤”，确保批量处理过程的一致性和可复核性。在数据处理环节，ChatGPT主要负责执行既定规则、批量生成插值结果、标记新增坐标和提示异常记录，所有生成结果仍需人工复核。最终在人工智能的辅助下，完成了7301条数据处理工作，由此获得一批宝贵的近代新疆地区地点信息与气象观测原始数据。此外，李爽借助谷歌图像大模型，利用《老上海百业指南》地图和老建筑照片，成功推导出照片拍摄的地理位置，实现历史地名与当今街景的对应与坐标输出，这对近代城市数字地图的生成可谓利器。生成式人工智能可高效完成代码生成工作，即便不掌握python 语言的学者也可利用它在搜索资料、图片生成、空间定位等多个研究环节获得重要帮助。

在史料处理过程中，生成式人工智能在多语言文本、多语种翻译等方面也有突出表现。大语言模型最重要的突破是对语言的理解能力大幅提升，因此，其在语言类工具应用中功能最为强大。目前，人工智能在支持多语种翻译与多语言交流领域已取得显著突破，能够游刃有余地应对多语种文献译注工作。如德国印度学与汉学学者巴斯蒂安·内尔迪希（Sebastian Nehrdich）等人开发的Dharmamitra网络平台，可用于梵、藏、汉多语种翻译，该平台近期整合了DharmaNexus数据库，支持自然语言描述、检索汉译佛经原文，同时列出与此相关的梵文、巴利文、藏文等平行文本，实现了多语种文本对齐。国内正在建设的“多民族语言智能数据处理与知识服务系统”平台，“系统支持9种语言的识别与转换，包括国际音标、藏文、彝文、维吾尔文、西夏文、古彝文、满文、回鹘文和水书，累计涵盖文献资料12587份、音频样本2364份，整体识别准确率达98.7%”。目前已在中国社会科学院大学语言学重点实验室开放使用“多文种隔行标注语料库”部分功能。近年来，多语种数据库建设取得很大突破，研究者只需输入检索文本，便可以在不同数据库中找到相似片段，进行多语种平行文本比对研究。

相较于专业性的多语种智能体建设工程，当前开源的人工智能工具的智能翻译功能已基本成熟，能够有效解决文明交流互鉴研究中常见的多语种资料解读障碍。笔者曾尝试利用开源的人工智能工具翻译18世纪德国霍曼家族绘制的亚洲地图（这些地图大多混合了拉丁文、德文与法文），发现在大多数情况下人工智能都可进行准确翻译。同时，结合地图绘制背景，还可提供参考阅读文献与类似的地图资料，便于追索原文、比对同类地图。当然，模型在不确定的小范围地名提问中，也会产生一定误差，但经再次框定范围、精确提示词后，多数误差可以得到纠正。

第二，数据库构建。借助人工智能可以自动完成史学数据表的整理，简化数字史学研究流程，操作过程更加便捷。其中，人工智能知识库（AI Knowledge Base）的设计较为重要。人工智能知识库与传统数据库不同，传统数据库存储的是数据，而人工智能知识库存储的是“有意义的知识”。从本质上看，人工智能知识库是一个结构化存储知识和事实的系统，可以保留全文本信息，利用机器查询、推理或检索信息，回答问题、做出决策，这较传统数据库具有更高的自主性。目前，人工智能知识库能够融入多元文本格式，可将ODF、PDF、Word、TXT、EXCEL等格式的文档直接投入知识库，自动完成一系列精细化处理，如智能文本预处理、语义向量化转换，同时根据内容逻辑进行QA分割，将零散的信息转化为结构化的知识单元，为精准问答奠定基础。这些功能在数字史学研究中都是必不可少的。

当前，基于检索增强生成（Retrieval⁃Augmented Generation, RAG）技术自建知识库，更加适合专业工作文档库，“RAG是一种融合信息检索（Information Retrieval, IR）与文本生成（Text Generation）机制的神经语言建模框架，其核心目标是赋予预训练语言模型以动态调用外部知识的能力”。通过从外部知识库中检索与用户查询相关的文档片段，将其作为上下文输入大语言模型，引导模型基于检索到的证据生成回答，以缓解大模型的幻觉问题和知识过时问题。很显然，RAG的自主性更强，对于专业研究具有重要价值。基于RAG自建知识库，可进行OCR识别、分块（chunk），形成专业向量数据库，并根据自身研究方向进行提问、检索、生成最终回答。以湖北师范大学尚平开发的IMA知识库“AI古籍深读助手1.0”为例，该知识库设置了“隋唐五代正史深读AI助手”和“宋史研究基本文献合集AI深读助手”，尽管规模不大，但专业性强、效率高。“AI古籍深读助手1.0”回答问题时能够提供史料依据，与原始文献对应参考，使每一个结论都有据可查。这类专业的RAG知识库确保了回答方案符合学术的严谨性与可解释性，衔接“显式知识”，避免“黑盒检索”，具有专业性保障。其中，“宋史研究基本文献合集AI深读助手”集合了宋元时期的基本史料并做了语义标注，笔者曾借助该知识库，以元代驿路设置状况为例进行提问，该知识库不仅梳理了元代驿站从中央到地方的设置情况，还对陆站、水站、狗站、轿站、步站等不同类型驿站进行分类统计，生成元代驿站统计表，并明确注明该数据来源“基于《元史》卷101”（见下表）。这类统计，史料来源可追溯、数据标准可定义，只需一次提问即可生成。对于数字史学研究而言，数据统计尤为关键。完成数据统计后，下一步便可以针对相关数据，按照时段、地区等进行多方面分析。当然，上述统计受知识库收录文献的限制，仍有较多内容缺失，今后进一步扩充知识库，统计结果将会更加理想。尤其是结合文献考订、考古遗址定位，建立一套数字化元代驿路系统，可节省大量时间，降低工作成本。

当前人工智能知识库系统不断升级，许多开源的知识库已不需要拆解文本，直接将PDF、Word、图片、链接导入知识库后，便可以开启问答。人工智能识别解读正文，过滤掉标题和元数据。按照提问要求进行归纳与统计，格式规范的文本可以直接生成统计表格等。笔者曾尝试将《大清一统志》和《清代驿站考》PDF文件收入知识库，以该文献中的驿站资料生成统计表，借助《清代驿站考》中的驿站地理位置考证信息，形成清代驿站古今地名对照表，两千多个驿站只需分批次提取即可生成属性表格，并在ArcGis软件上直接生成清代驿站数字地图，这一工作仅需几小时便可完成，大幅提高了工作效率，充分显示了人工智能知识库在知识读取、数据整理、统计量化上的优势。当然，人工智能知识库并非只限于构建数据库，还具备更多复合功能。

第三，数字史学研究全流程一站式完成。搭载智能体（AI Agent）功能的“智能工具平台”，可提供图文扫描、OCR识别、数据结构化、构建数据表、建立知识库、智能体封装、可视化呈现一站式服务，操作简单、功能齐全，实现数字史学研究全程智能化，简化了各类分析软件工具的学习与操作流程，让模型分析成为人人可使用的工具，这是人工智能时代史学研究的一个重要变化。

北京大学数字人文研究中心开发的“吾与点”智能数据平台提供了该项服务。目前平台可以处理图像、PDF文件、文物拓片等多模态信息，还能将这些格式文本加工后，转化为结构化数据，搭建知识库，并搭载了智能体封装功能，实现知识图谱、关系网络、地理空间等多维可视化呈现。人文领域研究者只需将史料上传至平台，根据指令，设定目标，给予数据表达的要求、样式，便可生成所需数据表，利用小程序完成可视化呈现。智能体基于上传的史料还可回应学术问题，提供完整的信息索引。该平台开展的“明代宦官墓志铭研究”，利用多模态OCR识别墓志图片，“自动提取墓主姓名、籍贯、官职升迁路径等核心字段，快速生成结构化表格”，测试效果良好。在《明代名人传》研究中，该平台以“同乡”“门生”“政敌”等关系类型，抽取人物实体，并结合小程序功能完成关系网络构建，直观呈现了15世纪江西籍官员政治集团的地缘纽带与政治关联，实现可视化分析。

自数字史学产生以来，利用计算机进行数据收集、数据库构建以及历史大数据分析，成为该领域的基本研究流程。然而如前所述，困扰数字史学的瓶颈始终存在，无论是多模态文献的综合处理还是大型数据库建设，以及时空信息综合平台构建等基础工程建设仍在持续进行，但推进过程较为艰难。数字史学研究的终极目标并不是建设数据库，而是推动历史认识的进步。以中国历史地理信息系统（CHGIS）平台为例，其最初设想是构建一套中华文明的时空基础框架，涵盖“全部与中国历史地理有关的信息，包括文字资料、照片、地图、数据和种种方式的信息”。该平台终极目标是为中国历史研究提供具备空间分析能力的基础架构，从而理解空间关系随着时间演变而产生的变化，“它既是一个整合平台——用于梳理带有时间与空间属性的数据（如人口、赋税额度、军事卫所、宗教网络、区域经济体系、家族史等），也是一个展示与分析工具——能以图形化方式呈现这些数据，并对数据间的关联进行分析”。该平台从2001年开始建设，但至今在数据层面也只是部分建成了几个时段的政区图层，以及少量专题数据库，远未达到初期规划。基础数据库建设缓慢，数据间的关联分析无从进行，最初的设想便很难实现。

今天，借助大模型与生成式人工智能，史料爬梳、数据整理工作更易操作；在数据库建设层面，可以加速数据生产，提高数据库建设效率。同时，利用智能体工具平台，一站式完成可视化与统计、分析流程，省去了诸多操作软件的学习过程，降低了数字史学的研究门槛。即便是没有软件基础与数字经验的历史学者也能够借助人工智能完成大部分工作。这一变革势必推动数字史学研究向纵深发展。

传统数据库基于词汇与元数据提取，将历史文本进行拆解，形成多样化的专题数据库。如历史人物数据库以人物信息为主，历史地理空间数据库以地名或具有地理标识的载体信息为主，它们都需要进行数据统计与表格制作。长期以来，史学领域建设了诸如中国历代人物传记资料库、中国历代职官数据库、灾害与土地利用数据库、历史GIS数据库等各类专题数据库。这些数据库在跨时段、长期趋势呈现或专项研究方面较易打破以往研究的束缚，在一定程度上改变了历史研究碎片化的局面。但通过该方式抽取的数据过滤了历史文本中大部分描述性信息，极易在历史解释层面出现偏差，难以像历史学家那样进行文本考证、多重证据比对以及因果关系分析。另外，就目前各类数据库建设来看，数据库之间大多没有统一的编码系统，数据库不兼容是一个致命问题。

数据库只是研究工具，由研究者根据研究内容与目标构建而成。而生成式人工智能具有自主性，能够进行一定的自主理解、生成判断并回答相关提问。因此，人工智能知识库超越了传统数据库，可以进行全文本阅读，自主查找关键词并生成自主思考的答案，避免了传统数据库对文献内容切割的弊端。此外，使人工智能突破单纯回答问题的局限，具有任务执行能力，成为人工智能领域更高层次的发展目标。经过多轮技术迭代，生成式人工智能新一代语言模型已具备了一定的逻辑推理能力，相较于前期基于统计概率预测下一个词汇的传统模型，发生了根本变化。有人形容，2026年人工智能已从“对话问答”进入“智能体时代”。“AI Agent技术的发展，大模型已从‘会聊天’进化为‘会干活’，即从对话式交互进化为任务执行型智能体”。智能体已不再局限于个人提问—人工智能回答，而是每个人都可以给人工智能一个目标，它自己就可以规划步骤、调用工具、执行任务、返回结果。构建历史学专业智能体成为“数智时代”史学研究发展的一个新动向，学术界已有多项尝试。

那么，什么是智能体？通常来讲，智能体是指能感知环境、自主决策、采取行动以达成目标的实体（软件或硬件）。这一概念最早由美国学者斯图尔特・罗素、彼得・诺维格提出，他们认为智能体是人工智能研究的核心范式，人工智能即研究设计理性智能体，指出“任何通过传感器（sensor）感知环境（environment）并通过执行器（actuator）作用于该环境的事物都可以被视为智能体（agent）”。而理性智能体则能够“对于每个可能的感知序列，给定感知序列提供的证据和智能体所拥有的任何先验知识，理性智能体应该选择一个期望最大化其性能度量的动作”。智能体并非一个工具或模型，它是一套完整的任务执行系统，包括大模型、工具、指令、记忆。其中，大模型负责推理、决策，工具负责读取文本或操作外部系统，指令与规则限定行为方式，记忆记录任务执行情况。运行程序可以反复调用模型和工具，以完成任务，最终形成运行闭环。

“《盛宣怀档案》智能分析系统”是服务于史学研究专题性智能体建设的一个典型案例。设计者试图利用RAG数据处理流程，构建专业知识库，实现保留全文本信息的功能。利用最新的智能体工具“代理增强检索”（Agentic RAG）范式构建动态推理系统，形成对档案文献的解析，建立多智能体（Multi⁃Agent）分工协作的工作模式，包括“意图理解、资料检索、资料总结、评估决策、内容撰写”，通过这种方式模拟历史学家“提出问题—史料搜集—考证辨析—形成结论”的认知过程，达到人工智能系统主动规划检索路径、多步逻辑推演、跨文档证据互证，最后形成人机回环的效果。其中还设置了专家反馈系统，可以纠错、记录修改，不断“对齐”专业史学家的思维方式，解决人工智能的“幻觉”问题。设计者希望在史学研究中的微观文本考证、中观制度复原和宏观风格分析三个层面都有所突破。这一服务于史学研究专题性智能体的设计，相较于数字史学数据库，在理念上已跨出一大步，有望真正实现从“数字”到“数智”的转型。

中国人民大学清史研究所与国家治理大数据和人工智能创新平台合作研发、正在建设的“清史智能体”，是具有代表性的断代史研究智能体。其核心特征主要体现在三个方面：第一，数据层质量高，依据长期积累的历史档案资料、清史修纂过程中整理的一手资料，建立高质量的历史数据层和规范化的语料库。第二，系统适配历史研究的技术路径，设置编年层、地理层、制度层、传记层、图像层、论文层、著作层等，分级分类，将这些多源异构数据进行结构化处理，并针对不同史料类型适配模型与存储架构。第三，构建理念上，引入智能意图识别、查询扩展、资料整合筛选与可追溯生成等技术，实现从“知识点罗列”到“机制解释”、从“单一材料”到“多源互证”、从“回答文本”到“可核验论证”。“清史智能体”在史料依据、论证质量和逻辑深度方面具有显著优势，突破了单一专题研究的局限，有助于清史综合研究，是“数智时代”人工智能赋能清史研究的重要方向。

类似的设计在针对黄河的历史地理研究中也有体现。历史上黄河以“善淤、善决、善徙”闻名，黄河下游地区长期饱受黄河泛滥之苦，是国家治理的重大问题。研究黄河问题不仅涉及黄河下游的河道变迁、水文地貌学等自然地理问题，还包括各历史时期黄河的治理、引黄济运等政策制度环节，以及国家治理结构、经济投入与地方社会互动等多重社会问题。要解决这些问题，必须借助跨学科研究方法。但限于黄河史地研究的三大痛点：“文献浩繁、检索困难、空间信息隐蔽，导致人力难以高效处理”，多数想法无法实施。人工智能大模型与RAG知识库的出现，为解决这一问题提供了思路。近期，复旦大学历史地理研究中心孙涛利用腾讯IMA知识库进行“自然语言提问、跨卷知识抽取与统合、时空重建、以及关系发现”，“并基于CHGIS历史地名数据库构建智能体为黄河志文本中的历史地名提供空间化标准”。在此基础上进行黄河河道变迁时空重建、治黄方略知识图谱构建、灾害事件聚类分析、治黄人物社会网络关系复原工作，同时预测未来也可在此基础上构建“黄河史地智能研究平台”。

以上研究动向，使得人工智能参与史学研究成为一种新的可能。在这一过程中，人工智能的推理能力不断提升，具备了某些考证功能，在工作模式、问题提出方式以及研究路径与分析方法上，该类平台催生出一种新的史学生态，也是人工智能赋能历史研究的新路径。

大模型与生成式人工智能的介入，为数字史学的发展创造了更有利的条件，推进数字史学向纵深发展，帮助数字史学诸多构想顺利实现。同时在“人工智能+”赋能史学研究过程中，各类史学智能体不断出现，人工智能参与史学研究的内容不断丰富。在信息检索、分类统计、可视化表达层面，人工智能具备极强的普适性，不仅可以服务数字史学，一般性的史学专题数据统计、历史地理小区域的可视化操作，也可以作为辅助工具。可以肯定地说，“人工智能+”或“人机协作”可将学者从工具性劳动中解放出来，使其有更多精力投入到问题思考中，完成更全面、深入的创造性研究，充分发挥个人的科研能动性。在人类历史上，任何一次技术飞跃都会带来人类思想的跨越式进步。今天，大语言模型与生成式人工智能冲击性的技术飞跃，也正在为史学研究构建新的认识路径。但不可否认，大模型与生成式人工智能并非万能，不仅存在不可克服的问题，还会蕴含一定的风险。

首先，RAG知识库可以生成专业研究成果，但知识库的内容要符合历史研究的规范。在各项人工智能技术中，用于专业研究的RAG知识库设计最为关键，无论是数字史学中的文本处理、数据统计与属性表制作，还是历史智能体的知识库建设，它都起到重要作用。即便传统史学学者也可以利用它来构建自己的知识库，知识库中收录的内容，由研究者自主决定，避免“幻觉”与“黑箱”，保证大模型访问的知识层可靠。而研究得出的结论也能够匹配与之对应的分析依据，标注出各项研究结果的史料出处，大幅降低操作门槛。但就目前来看，大模型在多元史料处理中仍存在亟待突破的技术瓶颈，如纸背文书、古代抄本文献、契约文书的识别等，存在识别率不高的问题；古代地形图的矢量化、早期影像地图的数据提取与建模，甚至在历史地图绘制上，生成式人工智能也不能达到理想中的效果。这些多源史料多数还需人工处理，难以直接进入知识库的分析系统。因此，即便依托自建知识库展开史学研究，也存在功能不完善、史料储备不丰富的弊端，大模型依据自建知识库输出的研究结论往往流于浅层，难以产出具有思想性的成果，甚至还会出现史实判断错误。比如，前述笔者利用“宋史研究基本文献合集AI深读助手”生成的元代驿站数据表，其内容全部来源于《元史》卷101，而其他史籍中的元代驿站统计则付之阙如，这是自建知识库资料收录不全所致。

其次，RAG知识库在处理复杂问题的过程中，仍存在一些亟待克服的难题。复杂度较高的数据统计，必须经由人工核验校准。笔者在针对清代驿站进行的统计中，设置的统计类型较多，包括“序号、驿名、府州、今地、驿马（匹）、马夫（额）、扛轿夫（名）、驿书（名）、驿皂（名）、兽医（名）、车（辆）、等级、备注”13项内容，统计结果中出现张冠李戴、统计遗漏的情况。此外，针对史料中“驿站合并”的记载，大模型难以准确辨别，从而形成史实误判。这些问题都需要人工校正。历史资料在多数情况下都不是整齐划一的，时间线与空间线相互缠绕，概念也有地域差异，让大模型自主判断，时时会出现理解不清的情况。况且人类语言表达也有复杂性、层次性，譬如，古人的意境表达、情绪化论述、政治隐喻与典故借鉴等，其背后蕴含的历史语境更难被人工智能充分理解和把握。大模型对历史材料的理解是否正确，需要历史学者做出最终判断。

最后，史学智能体在设计层面受到诸多外在因素限制，利弊共存。史学智能体的基本理念是模拟历史学家的工作方式，最大限度地贴合历史学家的思维模式。但史学智能体仍是人为设计，由人的思维主导，其限制因素并不只是大模型本身。智能体设计过程中，针对不同任务，选择的模型类型和匹配工具也会有所不同，即便同一个类型的大模型接入不同系统后，表现也会完全不同，差异来源于访问范围、执行内容以及系统能否持续实现反馈。人工智能技术可以不断迭代，但智能体设计的优劣也会影响人工智能的发挥。知识库作为史学智能体的底层设计，其装载、收录的内容决定了智能体的检索空间、分析依据与结果输出。当前史学智能体的设计普遍利用RAG自建知识库，该模式能够保证数据规范、整洁，但不能忽略知识产权。各类智能体都无法实现对历史资料的完全占有，而当前的智能体分析结论，只能来自其存储的知识，数据多寡、质量好坏，直接影响最终的结论，这与大模型“聪明不聪明”无关。因此，我们只能将其得出的结论作为参考，不能完全相信它的最终论断。事实上，即便智能体囊括所有史料，其开展的史学研究、生成的研究结论也只能代表人工智能的研究成果，历史学强调“史识”，“史识”体现的是历史学者个人的历史认知。对于同一条史料，不同历史学者往往会有不同解读，得出不同结论。人工智能生成的结论仅代表人工智能的判断、分析结果，而使用人工智能开展研究的历史学者如何找准自己的定位，属于史学研究主体性的核心问题。史学智能体能够弥补数字史学数据库研究范式的不足，但二者无法互相替代。尤其是，史学智能体的应用十分宽泛，研究目标不同，设计思路也不同。设计者的终极目标是服务史学研究还是历史教学、大众历史普及，用途不同，协同的知识层也就不同。在设计史学研究智能体时，必须保障严格的学术底层知识库，而且各智能体只能服务于某一特定专题，过于庞杂的智能体设计，非但不能对学术研究有所助益，还会生成更多的认知幻觉与知识垃圾。笔者认为，未来的智能体辅助史学研究的方向应该是多智能体协同为主，这也是智能体发展的可操作方向。史学智能体与数字史学数据库共生并存、互补互用是更合理的方式。在利用史学智能体进行研究时，我们应了解智能体的特点、知识库的设计、大模型以及工具的架构等，以免掉入人工智能的陷阱而不自知。

总之，史学研究本身具有复杂性，掌握史料、解读史料是史学研究的基本功。史学研究始终要以史料为依据，这一本质特性不会发生改变。史料也是多元化的，时代越久远，片断性的史料就越突显。史学研究并不是史料数量越多越好，史料的精度才是最重要的，有时一条关键性的史料就可以改变一项重要的历史认识，而史学家的“史识”始终是个性化的存在。

从历史发展看，历史学始终都有自身的学术传统，任何一次技术革命都未能改变历史学的学科本质。如果不能正确把握历史发展的基本脉络，对于文献的认知与理解存在偏差，海量的史料堆砌、先进的模型分析，也无法得出科学的结论。有说服力的材料考辨与观点论证，始终都是检验历史研究结论正确与否的关键。“人工智能+”不会削弱史学研究的基本价值取向，只会对历史学者的科研能力提出更高的要求。因此，史学研究不能完全依赖大模型与通用人工智能。“人机协作”并不是用机器取代人的判断，即便未来人工智能深度介入历史研究，历史学者也应该继续保有对史料运用的正确取舍、学术成果的价值判断。

文章来源：中国学派微信公众号