【治史心语】
作者：向静（中国社科院大学历史学院、数字史学研究中心副教授）
当前，人工智能进入历史研究的方式正在持续演进。早期应用多集中于机器学习的归纳识别、大语言模型的信息抽取、智能体的问答交互等单项任务；如今，能够模拟史学研究基础流程、主动调用数据库与数字工具、持续迭代研究过程的“行动型”智能体已经出现，并开始受到学界广泛关注。在中国史研究中，关于人工智能应用方法的讨论日益增多。尽管真正实现人工智能与历史学深度融合、并产出创新性研究成果的案例仍然有限，但国内外相关实践经验已具有充分总结和系统梳理的价值。
明清史领域由于存世史料数量庞大、类型繁复、形态多样，为观察人工智能在中国史研究中的应用进展提供了极为丰富的实践场景。近年来出现的试验性案例，覆盖基础数据建设、机器学习辅助分析、垂直领域模型开发、多智能体工作流等多个方面，体现出人工智能协同史学研究的不断深化。从呼应史学研究不同阶段来看，笔者认为这些进展可概括为“四化”：多源史料的数据化、数据建设的智能化、智能分析的史学化、人机协作的流程化。透过“四化”这一视角，我们能够更清晰地把握人工智能在明清史研究中的边界、能力与实际效能，进一步思考人工智能介入之后史学研究所面临的新风险与新挑战。
人工智能推进历史数据建设
历史研究历来强调“史料先行”。研究者所面对的史料载体、类型及其特征，往往决定了历史学与人工智能结合的起始路径。对于甲骨、简帛和金石研究，较早就借助图像识别与计算机视觉解决缀合、辨识、释读等问题；围绕壁画、器物和舆图展开的研究，则更加关注图像特征、空间关系以及多模态信息处理。然而，明清史研究以文本史料为主体，首先需要解决的关键问题是，如何将海量典籍、档案、文书、谱牒等，从电子图像或连续文本转化为可检索、可比较、可关联的研究材料，实现“多源史料的数据化”，从而为后续的史料辨析、证据考证与史学分析奠定基础。
历史数据建设在明清史领域起步较早。经济史、社会史学者长期重视整理和提取史料中的数值记录及量化关系，并于20世纪80年代末率先引入计算机辅助研究，进一步扩大了量化研究的数据规模。进入21世纪初，数字人文思潮传入国内，以文本、图像、声音为数据来源的分析方法逐渐流行，吸引语言学、档案学、艺术学等多学科共同参与历史资料的数据化工作。对明清史研究者而言，尽管量化史学与数字人文为数据建设提供了先行路径，但数据生产的技术门槛依然较高；同时，由于研究议题和学科规范存在差异，多数学者既不能将“历史语料”简单等同于“历史数据”，仅依靠语言分析追求深层历史解释，也难以满足于把思想、文化、社会等复杂史料压缩为可计算、规范化的字段，对历史事实进行过度降维。一旦进入史料数据化环节，历史学所重视的不只是作为结果的数据本身，更包括从史料到数据的完整生成过程，尤其是质疑、考证、辨析等塑造数据内容的步骤，以及如何保留数据在性质、类别、语境等方面的非量化特征，以便共同支持后续研究中多样化的数据解释模式，推进定性研究与定量研究的互证与融合。然而在传统数字人文时代，这类需求往往难以被充分实现。
人工智能兴起之后，明清史领域逐步进入“数据建设的智能化”阶段。首先，人工智能提供了文献数据化的智能流程，使学者能够通过自然语言指定文献中的研究对象和所需字段，并借助大语言模型或基于大模型配置的智能体，定制适合自身课题的结构化数据集。例如，在北京大学数字人文中心“吾与点”智能数据平台上，研究者运用人工智能从明代数千人物的传记文献中创建了15世纪江西籍人物数据集。近日，牛津大学发布的智能体Chronos，被称为“AI Co-historian”（人工智能协作的历史学家），能够依据学者的自然语言描述，从18—19世纪出版的法国商业名录、德国专利登记册等史料中自动生成历史数据抽取方案，并进一步批量执行完成。笔者曾使用清代乾隆时期内务府钱粮档案对其进行测试，抽取学艺人的姓名、等级、银两等内容，结果与人工处理几乎没有差别。
其次，可以借助大模型的推理能力，将史料中不确定、模糊的事实表述转化为可比较、可计算的分析对象，而转化依据仍可由人工审核和判断。在“吾与点”公开发布的明代宦官墓志铭案例中，研究者使用DeepSeek的深度研究模式，对文献中人物入宫年龄、时间等模糊表达进行分析，如“俊秀时”“年余”等，模型不仅给出了推断数据，同时还提供了从上下文中提取的判断线索与推理依据，便于研究者复核和辨析。
最后，人工智能还在改善数据体系，使其以更智能、更丰富的数据层次呈现并对接史学研究工作。具体而言，传统数据建设往往把数据化过程压缩为代表最终结论的表格字段，而人工智能则可以协助学者依据研究过程建立分层且相互关联的数据体系，包括原始史料层、转录文本层、候选抽取层、证据与判断层、标准化与链接层、数据确认层、检索结果的中间知识层等。各层能够容纳不同阶段的工作对象，分别接入OCR、知识图谱、GIS等数字工具，并通过标准接口或MCP向模型开放查询与操作能力。借助标识、来源关系和版本记录，各层之间实现相互贯通，支持双向回溯。目前，中国社科院大学团队建设的明清方志人物数据，正是通过这种丰富而开放的体系呈现数据形成的完整过程，既保留数据与史料的多重来源，也同时并存其在历史内容、年代版本等方面的差异与冲突。不同层次的数据均可支持学者展开修订、考据、解释等往复研究，从而形成具有过程性的历史数据生产成果。
人工智能带来的上述变化，不仅体现在提升结构化数据生产效率、降低技术门槛，更重要的是，它支持数据化工作遵循历史学的史料处理规范，推动数据建设实现“历史学转向”，并保障历史数据的形成过程能够发展为支撑人工智能协作研究的流程基础。
人工智能应用于史学研究的新方式
当越来越多的史料能够被机器识读、关联和计算之后，问题也就从“能否处理”转向“如何分析”。长期以来，人工智能更多被用于史学分析的预备阶段，特别是主题模型、文本聚类、概率链接、提示词工程等方法，能够协助学者从史料中发现专题内容，归纳或识别事件类别，并在不同史料之间连接同一对象的历史记录。
以明清实录研究为例，香港科技大学沃尔夫冈·凯勒（Wolfgang Keller）团队利用人工智能模型筛选《清实录》中的社会动乱条目；清华大学孟天广团队则分别采用传统机器学习模型、预训练模型与大语言模型，在《清实录》中识别圣谕、奏疏类文本，并进行分类与比较。研究者或者通过机器学习，将历史学家对少量史料样本的专业判断转化为可在大规模史料上执行的计算模型；或者借助提示词工程，提升模型对明清实录语义的解码与输出能力。这些进展说明，人工智能技术可以像“探针”一样，在大规模历史文本和图像中侦测共现、相似等关系，为研究主题提供高概率候选资源。与此同时，对于不同性质的史料发现任务，判别式人工智能与生成式人工智能迄今仍各有所长，学者在选择具体技术路径时，应依据研究议题的实际需要，而不应单纯追随技术迭代的潮流。
2025年以来，人工智能在历史学中的实践逐渐形成三条较为清晰的技术应用路径，分别是领域模型的专门训练、检索增强生成（RAG）的架构优化，以及以智能体组织起来的辅助工作流。这三条技术路径共同指向“智能分析的史学化”：即让人工智能模型更好适应专业史料，以史学问题为核心发现并组织真实、充分、明确的依据，同时将传统数字工具与智能体整合为连续、可调整的人机协作流程。
第一条路径，旨在改善当前通用基座模型对专业史料的适应能力，建立面向史学专门任务的领域模型系列，而这需要前期具备较为丰厚的历史数据积累。例如，南京农业大学王东波团队采用明清以来方志中的农业物产记录、现存古籍中的物产文献等作为语料，对物产基础模型进行预训练，使其在方志物产知识及语言推理能力方面表现得更为专业。与之不同，香港大学Ja vier Cha团队尝试使用14—19世纪的《朝鲜王朝实录》《承政院日记》等史料，从头预训练古汉语领域模型，其在语言能力与解释能力的内部基准上已超过通用商业大模型。这表明，专业适配并不必然依赖更大的参数规模；在面对特定史料和明确任务时，本地部署的中小模型不仅具备现实可行性，也完全可能达到更懂专门史料的效果。
第二条路径，则是探讨大语言模型在依据外部证据回答历史问题时，应如何设计检索增强生成（RAG）策略，才能符合史学研究的专业标准。RAG是当前大模型应用中的关键组成部分，但其通用架构往往难以满足历史学者对召回结果精确性以及来源明确性的严格要求。近年来，已有不少学者基于15—19世纪多种历史文献探索架构优化的可行方式。例如，针对15世纪朝鲜王朝《世宗实录》的RAG分析系统，在数据切片形式、日期元数据过滤等环节中保留了编年体史书的特征，结果显示召回效果更优；而在《清实录》与《明实录》的RAG系统中，当引入结构化的历史大辞典、官员履历档等作为规范化外部证据来源后，模型召回史料的精确性也得到提升。除此之外，调用人物传记知识图谱、按历史时间窗口平衡取样等改进RAG检索策略的方法也已取得一定成效，未来同样有望进一步应用于明清史研究。总体来看，这些探索正在把历史学家所重视的时间、来源、文献特征、知识关联等要素，逐步融入检索增强生成（RAG）的架构设计之中，体现出以历史学方法和学术标准来约束、塑造模型应用的共同方向。
第三条路径目前最具争议，也是智能体技术深入史学研究过程后带来的新变化。当智能体具备一定自主性及与外部环境交互的能力，能够实现“思考—行动”的循环时，人与智能体的关系便从完成单项任务的“指令—执行”或“提问—回答”，发展为能够持续解决复杂任务、完整协同研究过程的新阶段。在这一阶段，可以看到史学研究中的各个环节和步骤如何被拆解，由人与智能体（或多智能体系统）共同参与、衔接和完成，并且整个过程可调整、可追溯、可控制。
现有探索正在持续测试并展示智能体在史学研究中的能力边界。三项分别处理18、19世纪史料的研究，形成了有意义的对照。第一项是对1740年、1808年威尼斯历史地籍的研究，让大模型根据学者的自然语言解析研究问题，调度智能体与量化数据库进行统计运算，建立从自然语言到可执行程序的分析流程。第二项是对1848年以后上海商人传记、报刊的研究，只让大模型承担史料批量处理、比较、候选分析等功能，而将精确计算交给专门工具，强调历史学者、大语言模型与计算工具箱之间的明确分工。第三项基于清代史料的工作则进一步扩大了机器边界，把进士人物的史料检索、小传生成、内容核验组织成多智能体协作流程：人工专家在前端负责选择史料、设定规则，并在史料发生冲突的节点介入，其他环节则由机器自动完成。这些工作表明，历史学者对于人机协作流程的理解与规划并不相同，人与机器之间的权限如何配置，既取决于研究结果需要达到何种确定性或可核查标准，也取决于史料特征与研究任务的类别。尤其当研究任务能够被分解为规则清晰、相对稳定、步骤明确的环节时，智能体就会拥有更大的行动空间，甚至只在涉及语义歧义、史源冲突等问题时才需要人工参与。由此看来，人机协作流程的设计或许已不再只是一个技术问题或管理问题，而开始成为史学研究方法本身的重要组成部分。
数据建设决定了人工智能在明清史领域“能研究什么”，而人机协作方式则进一步改变了这些数据“能怎样研究”。人工智能的史学实践得益于技术迭代与学科规范的双重推动，但其意义并不止于具体课题研究。以“行动型”智能体为例，其效能提升需要“学习”历史学者的治学方法、思维方式与实践步骤，而历史学者参与训练这一过程，本身也是应对史学研究在数字化时代结构性困境的重要契机。比如，明清文献的数字化结果往往以文字完整度、图像分辨率作为质量标准，却难以纳入大量原本用于判断史料价值与内容的物理特征，如载体质地、气味、破损痕迹或磨损程度。如果智能体系统在史料分类或检索阶段，仅根据数字化后的文本或图像特征进行召回与排序，那么那些难以通过数字化方式凸显的史料特征，仍可能被系统性忽略。这将进一步加速后续研究者视野的窄化，压缩史学研究原本应有的丰富层次与鲜活面貌。能否真正发挥人工智能的优势，进而解决并突破这些长期性、结构性挑战，正是当前历史学者需要共同实践、协力攻克的重要课题。
《光明日报》（2026年08月17日 14版）
[ 责编：邢彬 ]