一、会写故事的AI,也能帮我们找书吗?
周末,你走进图书馆,想找几本关于火星的科普书,却不知道从哪里开始。这时,你可以对图书馆智能助手说:“请帮我查找介绍火星的书,最好配有插图,适合小学生阅读。”智能助手很快就能列出书单,还能简单介绍每本书的特点。如果遇到看不懂的知识,你还可以继续提问:“能否举个生活中的例子帮助我理解?”这样贴心的服务,离不开一项重要的人工智能技术——AIGC,也就是人工智能生成内容。它可以根据人们的要求生成文字、图片、音频、视频等内容。因此,撰写图书简介、讲解科学知识、设计阅读思考题、绘制故事插图,这些都是AIGC擅长的事情。不过AIGC有一个问题: 它“会说”,但不代表它“说得一定对”。它可能生成一个看起来很真实、实际上并不存在的书名,也可能把作者、出版时间弄错。这种把虚构或错误内容当作事实输出的现象,通常被称为AI幻觉。对于图书馆场景来说,只让AI会生成内容还不够。更重要的是,让它养成一个好习惯——回答问题之前,先查阅资料,核对信息真伪。

图1 小读者向图书馆智能助手提问,屏幕展示馆藏书目和生成的阅读提示
二、RAG:先查资料,再让AIGC回答
怎样让AIGC少一些“凭空想象”,多一些“有据可查”呢?检索增强生成(RAG)就是解决这一问题的主要技术。简单来说,就是AI在回答问题之前,先到指定的资料库里查找相关内容,再根据检索到的信息生成答案。
假设AIGC像一名积极回答问题的同学,那么RAG就像一则要求,时刻提醒其“先读材料,再作答。”我们可以结合图书馆场景直观理解,例如,当你问“图书馆里有哪些适合儿童阅读的海洋动物图书”时,采用RAG技术的智能系统,会优先从真实馆藏目录中检索书名、作者和内容简介,再由AIGC把这些信息整理成容易阅读的推荐语。这样就形成了一个清晰的回答流程:用户提出问题→系统检索馆藏和可信资料→找到相关内容→整理并生成答案。依靠RAG技术,人工智能大模型生成内容不再是凭空想象,真正实现了先查阅资料,再把这些专业内容讲给我们听。目前,多地图书馆已经开始探索这种模式。以上海图书馆为例,其围绕《全国报刊索引》数字资源开展了基于RAG的智能检索实践,将馆藏数字资源构建成知识库,并结合查询重写、多路检索和结果排序等方法,让用户可以用自然语言寻找文献,再由大模型整理检索结果。
过去我们查询资料,可能需要反复调整关键词,现在则可以直接输入“帮我查找有关人工智能教育应用的报刊资料”,系统就能依托RAG技术精准定位权威文献资源,再由大模型整合、梳理、提炼内容,输出条理清晰、重点明确的回答。在RAG技术的赋能下,图书馆查询系统的搜索框逐渐变成了可对话、会思考、能答疑的智能阅读助手。

图2 小读者提出问题,系统检索馆藏,AI整理答案,读者核对原始来源
三、当AIGC接上图书馆知识库,会发生什么?
AIGC与RAG结合,不只是帮助我们“找得到”,还可以帮助我们“读得懂”,福州市图书馆上线的AI馆员就是一个典型案例。根据智慧图书馆技术应用联盟公开的案例介绍,该系统将大模型与图书馆资源结合,在荐书服务中采用RAG等技术,根据正规出版物信息和馆藏数据进行检索,再生成推荐结果。同时,它还可以围绕图书和期刊内容进行阅读问答、知识点提取及资源导航。
例如,一名小读者提问:“有没有关于恐龙灭绝的书?”系统先查询相关书目,再生成推荐理由;找到书之后,还可以继续追问:“什么是小行星撞击假说?”这时,AI可以参考相关文献,用通俗的语言进行解释。这样一来,图书馆里的智能助手就不只是“聊天机器人”,更像一座连接读者与知识资源的桥梁,其中,RAG负责“从哪里找”,AIGC负责“怎么讲清楚”。
当然,即使使用RAG,也不能确保答案百分之百正确,因为系统可能检索到过期资料,也可能遗漏重要内容。因此,涉及科学知识、历史事实和重要信息时,我们仍应核实信息来源,必要时还可以请教老师或图书馆员。
四、未来的阅读伙伴:会生成,更要会查证
使用这类智能助手,大家需要记住3个关键词:先问、再查、后核对。首先,把问题说清楚。例如,与其只说“给我推荐一本书”,不如说:“我想找适合五年级学生阅读、带插图的海洋主题科普书。”然后,核查AI的回答是否有馆藏目录、图书、期刊或图书馆知识库作为依据。最后,针对重要知识再回到原文中进行核对。

图3:小读者查目录以及记录自己的想法,并与图书馆员交流
同时,我们也要记住,AI可以帮助总结、解释和创作,但不能代替自己的思考。未来的图书馆,也许不只是一排排书架,还会拥有越来越聪明的数字阅读伙伴。真正值得期待的,并不是AI能够生成多少文字,而是它能否把可靠的图书馆资源、RAG的检索能力和AIGC的生成能力结合起来,让我们更方便地找到知识、理解知识,并继续提出新的问题。
作者:万益彤(大连海事大学图书馆流通部 副主任)
审核:谢鑫(天津大学计算机科学与技术学院 教授 博士生导师)
内容来自:中国青少年科技教育工作者协会