人工智能在明清史研究中的新进展

　　【治史心语】

　　当前，人工智能进入历史研究的方式正在发生变化。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、智能体的问答对话等单项任务，如今，能够模拟史学工作基础流程、主动调用数据库与工具、持续迭代研究过程的“行动型”智能体已经出现，并开始引起学界关注。在中国史研究中应用人工智能的方法讨论层出不穷，虽然真正实现二者的深度结合、产出创新性研究成果的案例不多，但这方面国内外的实践经验值得充分总结。

　　明清史领域由于存世史料规模大、类型多、形态复杂，为探索人工智能在中国史研究中的进展提供了丰富场景。近年来涌现的试验性案例，覆盖基础数据建设、机器学习辅助分析、垂域模型开发、多智能体工作流等各方面，体现了人工智能协作史学工作的不断深入。从呼应史学研究的不同阶段来说，笔者认为这些进展可以概括为“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。从“四化”的视角，我们得以观察人工智能在明清史研究中的边界与效能，进而思考人工智能介入后史学研究面临的新风险、新挑战。

人工智能推进历史数据建设

　　历史研究向来讲究“史料先行”。研究者面对的史料载体、类型和特征，往往决定了与人工智能结合的初始路径。对甲骨、简帛和金石的研究，较早借助图像识别和计算机视觉解决缀合、辨识和释读等问题；围绕壁画、器物和舆图展开的研究，尤其关注图像特征、空间关系与多模态信息。而明清史研究以文本史料为主体，首先需要解决的问题，是如何将海量的典籍、档案、文书、谱牒等由电子图像或连续文本转化为可以检索、比较和关联的研究材料，实现“多源史料的数据化”，为后续的证据辨析和史学分析提供基础。

　　历史数据建设在明清史领域起步很早。经济史、社会史学者长期重视整理、提取史料中的数值记录或量的关系，于20世纪80年代末率先引入计算机辅助，更扩充了量化研究的数据规模。及至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开始流行，吸引了语言学、档案学、艺术学等多学科涉足历史资料的数据化工作。对明清史学者来说，虽然量化史学与数字人文提供了建设数据的先行办法，但生产数据的技术门槛较高，且基于研究议题与学科规范的差异，大多数学者既无法将“历史语料”简单等同于“历史数据”，用语言分析的方式探求深层的历史解释，也不能满足于将思想、文化、社会等方面的史料压缩成可计算的、规范化的字段，降维处理历史事实。一旦涉足史料的数据化，历史学重视的不仅是作为结果的数据，还包括从史料到数据的整体过程，特别是质疑、考证、辨析等形成数据内容的过程，以及如何保留数据在性质、类别、语境等方面的非量化特征，共同支持后续研究中数据解释的多种模式，推进定性与定量工作的互证交融。但在传统数字人文时代，这样的需求往往难以实现。

　　人工智能兴起后，开启了明清史领域“数据建设的智能化”阶段。首先是提供文献数据化的智能流程，使学者能用自然语言指定文献中的研究对象和所需字段，通过大语言模型或配置大模型的智能体，定制自己的结构化数据集。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世纪江西籍人物的数据集。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），能按照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的抽取方案，再批量执行完成。笔者用清代乾隆时期内务府钱粮档案对其进行测试，抽取了学艺人的姓名、等级、银两等内容，结果与人工相差无几。

　　其次是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，转化的依据可由人工审核与判断。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，对文献记载人物入宫年龄、时间的模糊表达进行研究，如“俊秀时”“年余”，模型不止给出了推断数据，还同时提供了从上下文中获取的判断线索与推理依据。

　　最后是改善数据体系，以更智能、更丰富的数据层次呈现、对接史学研究工作。具体来说，传统数据建设常将数据化的过程压缩为代表最终结论的表格字段，人工智能则可以协助学者依照研究过程，建设分层而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。各层容纳不同阶段的工作对象，可以分别接入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。通过标识、来源关系和版本记录，各层实现相互贯通，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、开放的体系来呈现数据形成的完整内容，既保留数据与史料的多重来源，也同时并存它们在历史内容、年代版本等方面的差异与冲突，不同层次均可支持学者展开修订、考据、解释等往复研究，形成数据生产的过程性成果。

　　人工智能带来的上述变化，不仅在于提升结构化数据的生产效率，降低技术门槛，更重要的是支持数据化工作遵循历史学的史料处理规范，实现数据建设的“历史学转向”，保障历史数据的形成过程能发展为支持人工智能协作研究的流程底座。

人工智能应用于史学研究的新方式

　　当越来越多的史料可以被机器识读、关联和计算，问题便从“能否处理”转向了“如何分析”。人工智能在发展过程中，长期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，进行分类和比较。研究者或通过机器学习历史学家对少量史料样本的专业判断，将其转化为能够在大规模史料上执行的计算模型；或通过提示词工程，提升模型解码明清实录语义的结果输出能力。这些进展表明，人工智能技术可以像“探针”一样，在大规模的历史文本和图片中侦测共现、相似等关系，为研究主题提供高概率的候选资源，而且对于不同性质的史料发现任务，判别式与生成式人工智能迄今为止仍是各有擅长，学者选择的标准应当依据研究议题的实际需求，而不是技术演进的潮流。

　　2025年以来，人工智能的历史学实践形成了三条较为明确的技术应用路径，包括领域模型的专门训练、检索增强生成（RAG）的架构改造，以及以智能体组织的辅助工作流。这些技术路径共同指向“智能分析的史学化”：使人工智能模型更好地适应专门史料，以史学问题为中心发现并组织真实、充分且明确的依据，并将传统数字工具、智能体等组成连续的、可调整的人机协作流程。

　　第一条路径试图改善当前通用基座模型对专业史料的适应能力，建立面向史学专业任务的领域模型系列，它需要前期具备丰厚的历史数据积累。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，预训练物产基础模型，使其在方志物产知识及其语言推理能力上表现得更为专业。与之不同的是，香港大学Javier Cha团队尝试运用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，在语言能力与解释能力的内部基准上超过了通用商业大模型。这些表明专业适配并不必然依赖更大的参数规模，在面向特定史料与明确任务时，本地部署中小模型不仅实际可行，也能达到更懂专门史料的水平。

　　第二条路径探索大语言模型在基于外部证据回答历史问题时，需要怎样设计检索增强生成（RAG）的策略，才符合史学研究的专业标准。RAG是当前大模型应用的重要组成部分，但这项技术的通用架构往往不能满足历史学者对于召回结果精确性与来源明确性的要求。近年来一些学者基于15—19世纪的多种历史文献探索架构改造的可行方案。例如，针对15世纪朝鲜王朝《世宗实录》的RAG分析系统，从数据切片形式、日期元数据过滤等各个环节保留编年体史书的特征，显示召回效果更佳；在《清实录》与《明实录》的RAG系统中，当增添结构化的历史大辞典、官员履历档等外部证据的规范来源后，模型召回史料的精确性也会提高。其他如调用人物传记的知识图谱、按历史时间窗口平衡取样等改进RAG检索策略的方法也已见成效，将来或许也可用于明清史研究。总的来说，这些探索开始使历史学家重视的时间、来源、文献特征、知识关联等内容进入检索增强生成（RAG）的架构当中，具有以历史学的方法、标准来约束、设计模型应用的共同特点。

　　第三条路径目前最富有争议，也是智能体技术开始深入史学研究过程后出现的新变化。当智能体具备了一定的自主性及与外部环境的交互能力，能够实现“思考—行动”的循环时，人与智能体的关系就从完成单项任务的“指令—执行”或“提问—回答”，发展到了能够持续解决复杂任务、完整协作研究过程的新阶段。在这一阶段，能看到史学研究当中的各个环节与步骤如何被拆解开来，由人与智能体（或多智能体系统）共同参与、衔接、完成，并且过程可调整、可追溯、可控制。

　　现有探索正在测试和展现智能体在史学中的能力边界。三项分别处理18、19世纪史料的研究可以形成有意义的对照。第一项是对1740年、1808年威尼斯历史地籍的研究，让大模型从学者的自然语言里解析研究问题，调度智能体与量化数据库进行统计运算，建立起一个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，而把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明确分工。第三项基于清代史料的工作则扩大了机器边界，将进士人物的史料检索、小传生成、内容核验组织为多智能体的协作，人工专家在前端选择史料、指定规则，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分配，既取决于研究结果需要达到何种确定性或可核查的标准，也取决于史料特征与研究任务的类别，尤其是当研究任务能分解为规则清楚、稳定、步骤明确的环节时，智能体就会有较大的行动空间，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。由此来看，设计人机协作的流程或许已不是一个技术或管理问题，而开始成为史学研究方法本身很重要的一部分。

　　数据建设决定了人工智能在明清史领域“能研究什么”，人机协作方式则改变了这些数据“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进，但其意义不止于具体研究。以“行动型”智能体来说，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，历史学者参与训练它的过程，也是解决史学研究在数字化时代结构性困境的契机。譬如明清文献的数字化结果多以文字完整度、图像分辨率作为质量标准，而无法纳入大量原本用于判断史料价值与内容的物理特征（如载体的质地、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，只根据数字化后的文本或图像特征进行召回和排序，那些难以被数字化凸显的史料特征仍会被系统性忽略，这将加速窄化后来研究者的视野，压缩史学研究的鲜活面貌。能否充分发挥人工智能的长处，解决、突破长期性、结构性挑战，也是当前历史学者需要共同实践、携手攻克的课题。

　　（作者：向静，系中国社科院大学历史学院、数字史学研究中心副教授）