大模型在图书馆业务信息检索中的应用探讨
 
 摘要
 
大语言模型的迅猛发展为图书馆信息检索服务的智能化升级提供了全新的技术路径。传统的图书馆检索系统长期依赖关键词匹配模式，在语义理解、模糊查询和知识整合等方面存在结构性局限。科技资讯系统梳理了大模型赋能图书馆信息检索的底层技术逻辑与核心应用形态，从智能问答系统、检索增强生成架构、多模型协同体系三个维度探讨了大模型在图书馆信息检索中的应用路径，并结合国家图书馆、上海图书馆、广东省立中山图书馆、重庆大学图书馆等典型案例进行实证分析。研究表明，大模型技术正在推动图书馆信息检索从“关键词匹配”向“语义理解”、从“资源导向”向“用户需求导向”、从“工具型服务”向“协同型服务”的范式转变。在此基础上，本文进一步分析了大模型应用中面临的“幻觉”问题、数据安全、语料质量等挑战，并提出了相应的应对策略。
 
关键词：大语言模型；图书馆；信息检索；检索增强生成；智能问答
 
 一、引言
 
图书馆信息检索是读者利用图书馆服务的入口，其精准度与效率直接关系到知识获取的质量与用户体验。长期以来，图书馆检索系统主要依赖关键词匹配的方式进行资源查找，读者需要通过精确的字段组合和布尔逻辑来表达信息需求。正如广东省立中山图书馆副馆长吴昊所指出的，传统检索系统存在两个突出问题：一是各类检索系统大都基于“关键词”方式检索，没有使用分词技术进行优化，导致检索方式及检索结果简单机械；二是检索结果排序策略简单，输出仅依据“时间前后”“关键词”等进行匹配，难以第一时间精准定位读者需要的书籍。
 
大语言模型的崛起为破解上述困境提供了全新的技术可能。从ChatGPT到DeepSeek，大模型凭借其强大的自然语言理解与生成能力，正在深刻重塑信息检索的底层逻辑。读者不再受限于精确关键词的组合，可直接使用日常语言表述检索意图。图书馆界正积极探索将大模型技术嵌入信息检索服务，推动从“资源导向”向“用户需求导向”、从“关键词匹配”向“语义理解与知识发现”的范式转变。
 
 二、大模型赋能图书馆信息检索的技术基础
 
 2.1 大语言模型的核心能力
 
大语言模型是基于Transformer架构的大规模预训练语言模型，通过在海量文本数据上进行自监督学习，获得了对自然语言的深度理解与生成能力。在信息检索场景中，大模型的核心能力体现在三个层面。
 
语义理解能力使大模型能够解析用户自然语言表述背后的真实信息需求。读者输入“想找一本除《三国演义》之外关于诸葛亮的书”，系统能够准确识别“诸葛亮”“除《三国演义》之外”等关键语义要素，而非仅匹配字面关键词。知识整合与生成能力使大模型能够将检索到的信息进行结构化重组，形成带参考文献的综述式回答。重庆大学图书馆的“弘深智搜”便能在数秒内完成海量学术资源的检索，并自动生成带有参考文献列表的结构化回答。多模态交互能力使大模型能够支持语音、文本、图像等多种交互方式，降低不同用户群体的使用门槛。福田区图书馆的“福鹭鹭”便实现了多模态交互与多轮对话能力。
 
 2.2 检索增强生成（RAG）的关键作用
 
教育界尽管大模型能力强大，但在专业领域的应用中面临一个突出的技术瓶颈——“幻觉”问题。大语言模型在面对专业领域用户的问答需求时容易出现幻觉，生成不准确或无根据的信息。检索增强生成（RAG）技术正是破解这一难题的关键方案。
 
RAG的核心逻辑是：在模型生成答案之前，先从外部知识库中检索与问题相关的文档片段，将这些片段作为上下文输入大模型，再由模型基于检索到的信息生成答案。这一机制确保了大模型输出的内容有据可查、来源可溯。重庆大学图书馆在建设AI门户时确立了“语料为基”的技术路径，对海量学术文献进行数据清洗、语义切片与关联整合，形成结构化语料，基于RAG技术确保智能体输出的结论均有据可查。
 
智慧图书馆AI馆员系统普遍采用多模型协同架构，涵盖通用大模型、检索式问答模型以及轻量任务模型等。这种多模型协同的设计，兼顾了性能、成本、响应速度与准确性，为大模型在图书馆信息检索中的可靠应用提供了技术保障。
 
 三、大模型在图书馆信息检索中的应用路径
 
 3.1 智能问答系统：从“检索”到“问答”的范式跃迁
 
智能问答系统是大模型赋能图书馆信息检索最为成熟的应用形态。与传统的检索系统要求用户自行筛选信息不同，智能问答系统直接回应用户的自然语言提问，给出明确答案。
 
国家图书馆智能问答系统采用“FAQ+大模型文档问答”双引擎响应模式：读者提问首先匹配FAQ库，快速响应高频问题；若未匹配，则进入文档问答引擎，检索相关文档并生成答案；若仍无法回答，则判断是否具有检索意图，如有则调用馆藏接口执行检索，否则由文心大模型进行通识兜底回复。截至2025年7月31日，系统已积累FAQ语料标问1059条、相似问5.6万条，以及228篇、约96万字的文档语料。自2024年4月23日至2025年8月31日，系统共受理读者咨询204200件次，其中FAQ响应占比60.45%，大模型文档问答响应占比37.43%。
 
西华师范大学图书馆上线的“AI馆员（图小西）”系统基于先进的自然语言处理大模型技术，深度融合馆藏资源与智能交互功能，集资源检索、知识服务与阅读辅助于一体。西安邮电大学图书馆的“AI馆员”智能服务系统融合通用大模型与图书馆行业垂直模型，搭载跨模态检索引擎，打通纸本与电子资源壁垒，师生通过自然语言描述即可完成一框式智能搜索。
 
 3.2 RAG驱动的智能检索系统：语义理解与精准匹配的深度融合
 
RAG技术的引入使图书馆信息检索实现了从“关键词匹配”到“语义理解”的质的飞跃。读者不再受限于精确关键词的组合，可直接使用日常语言表述检索意图。
 
广东省立中山图书馆的“馆藏AI检索”服务是这一路径的典型代表。该系统可解决读者在查找馆藏资源过程中遇到的查询模糊、主题不明晰、内容判断不准等问题。例如询问包含特定人物角色的小说、特定学习领域的入门读物或特定历史主题的文献等，系统能够准确解析用户提问的核心意图，定位相关书籍资源，并提供简明的内容摘要、关键看点或读者评价信息。系统还开发了“AI书评”功能和AI知识图谱智能推荐功能，为读者提供更广泛的知识获取维度。
 
上海图书馆以《全国报刊索引》馆藏数字资源为基础，构建了基于RAG技术的智能检索系统。该系统通过运用大语言模型对自然语言强大的理解和生成能力，以大小模型协同的形式，融合查询重写、多路召回、重排序等检索策略，将优质的馆藏数字资源构建成私有文献知识库。
 
基于RAG架构的实时多模态图书搜索系统采用BERT-CLIP双编码器实现文本—图像多模态向量化，通过混合检索策略和大语言模型生成，实现了93.2%的准确率。厦门大学图书馆法学分馆的“法图助手”项目基于RAG技术，利用Coze平台在无需高成本与复杂技术投入的前提下，构建了融合本地知识的智能问答服务。
 
 3.3 多模型协同：兼顾效率、成本与准确性的系统架构
 
在实际部署中，图书馆信息检索系统往往采用多模型协同的架构设计，以兼顾不同场景下的效率、成本与准确性要求。
 
福田区图书馆的“福鹭鹭”是全国首个AI图书馆助手，基于DeepSeek-R1大语言模型开发，深度融合福田区图书馆“伏羲智图”体系中的业务数据、馆藏资源与用户行为数据。不同于普通RAG系统简单“检索+生成”的模式，“福鹭鹭”行业首创“本地权威知识库验证、动态实事核查、读者反馈优化”的“三层知识过滤”机制，建立了严格的内容把关流程，从而减少大模型幻觉等问题的出现。该系统采用SaaS架构与模块化设计，支持PC官网、移动小程序、智慧屏、全息舱等多种终端形态，目前已累计服务超15万人次。
 
内蒙古自治区图书馆通过接入DeepSeek、Kimi等国产大模型，上线AI检索功能与AI馆员“图图”“小雅”，实现人工智能与知识服务的深度融合，可为读者提供全网超12亿文献的一站式发现和获取服务。
 
 四、应用效能验证与典型实践分析
 
 4.1 服务效能的量化验证
 
大模型赋能图书馆信息检索的效能提升已获得大量实践数据的验证。国家图书馆智能问答系统上线16个月受理咨询超20万件次。潘雪峰基于RAG架构构建的高校图书馆智能参考咨询系统，在906条真实读者咨询的测试中，系统整体响应准确率达到0.82，平均响应时间12.7秒，平均语义相关性得分2.94，显著优于ChatGPT等通用大模型。
 
在资源发现效率方面，基于RAG的实时多模态图书搜索系统实现了93.2%的检索准确率。福田区“福鹭鹭”上线数月即累计服务超15万人次，覆盖全区108家图书馆。这些数据表明，大模型技术正在实质性地提升图书馆信息检索的准确性与效率。
 
 4.2 典型实践案例
 
国家图书馆： 智能问答系统通过双引擎响应模式，实现了高频问题的秒级响应和复杂问题的语义理解与知识整合。系统已与馆藏揭示平台、数字人系统、导览小程序等多个系统深度对接，构建了一体化智慧服务网络。
 
重庆大学： 国内高校图书馆首个AI门户，通过“弘深智搜”及AI阅读、AI综述、AI开题报告、个人知识库等智能工具，将原本耗时数日的文献调研流程大幅缩短至几分钟。
 
广东省立中山图书馆： “馆藏AI检索”服务实现了从关键词匹配向语义理解与知识发现的范式转变，读者可使用日常语言表述检索意图。
 
福田区图书馆： “福鹭鹭”通过“三层知识过滤”机制和SaaS架构，实现了从总馆到社区服务点的全域覆盖。
 
 五、面临的挑战与应对策略
 
 5.1 主要挑战
 
大模型在图书馆信息检索中的应用仍面临多重挑战。“幻觉”问题是首要技术瓶颈，大模型在面对专业领域用户的问答需求时容易生成不准确或无根据的信息。数据质量与语料建设是基础性挑战——通用大模型缺乏图书馆专业领域的深度知识，“给AI喂‘黄金’还是喂‘沙子’，决定了它的智能高度”。数据安全与隐私保护同样关键，图书馆涉及大量读者个人信息和使用行为数据。此外，版权争议也日益凸显，大模型在训练和生成过程中涉及的版权问题尚无明确的法律界定。
 
 5.2 应对策略
 
针对上述挑战，图书馆界正从多个维度探索应对策略。在技术层面，RAG技术通过引入外部知识库检索，有效弥补了大模型的“幻觉”缺陷。福田区图书馆的“三层知识过滤”机制则进一步建立了严格的内容把关流程。在语料建设层面，重庆大学图书馆建立了专门的语料中心，对海量学术文献进行数据清洗、语义切片与关联整合。在治理层面，图书馆应加强数据治理、完善监管机制、优化资金管理。在平衡技术效能与人文价值方面，有研究提出混合决策模型以平衡算法效能与专业判断。
 
 六、结语
 
大语言模型技术正在深刻改变图书馆信息检索服务的底层逻辑与服务形态。从国家图书馆的双引擎智能问答系统，到上海图书馆基于RAG的馆藏数字资源智能检索，从重庆大学的AI学术门户到福田区图书馆的“福鹭鹭”——这些实践共同印证了一个趋势：图书馆信息检索正在从“关键词匹配”走向“语义理解”，从“资源导向”走向“用户需求导向”，从“工具型服务”走向“协同型服务”。
 
大模型技术的核心价值不仅在于提升了检索的准确性与效率，更在于它重新定义了读者与知识之间的连接方式——读者不再需要成为“检索专家”，只需用日常语言表达信息需求，系统便能理解意图、定位资源、生成答案。这种“去中介化”的知识获取方式，正在将图书馆从“资源仓库”转变为“智慧伙伴”。与此同时，图书馆在拥抱大模型技术的同时，也需审慎应对“幻觉”问题、数据安全、版权争议等挑战，在技术效能与人文价值之间寻求动态平衡。唯有如此，大模型才能真正成为推动图书馆信息检索服务迈向新高度的“智慧引擎”，而非新的风险源。
 
 
 参考文献
 
[1] 案例分享：国家图书馆智能问答系统建设与推广[EB/OL]. (2025-10-10).
 
[2] 阮伊佳, 刘沛中, 高智晨. 检索增强生成式模型的研究与实践——以上海图书馆《全国报刊索引》智能检索系统为例[J]. 信息与管理研究, 2025(3).
 
[3] AI“馆员”靠谱吗？[EB/OL]. (2025-09-18).
 
[4] 服务覆盖福田区108家图书馆 全国首个AI图书馆助手“福鹭鹭”获国奖[EB/OL]. (2025-09-15).
 
[5] 基于RAG的智慧图书馆信息检索系统构建探讨[J]. 河南图书馆学刊, 2025(9).