以 AI 塑形智慧图书馆：基于智能体的下一代图书馆服务平台
2025年08期【本期推荐】
作者：刘炜，张磊，嵇婷，陈晓扬
来源：刘炜, 张磊, 嵇婷, 陈晓扬. 以AI塑形智慧图书馆：基于智能体的下一代图书馆服务平台[J]. 农业图书情报学报, 2025, 37(5): 15-26.
摘要：[目的/意义]云计算时代提出的图书馆服务平台（LSP）未能实现其成为图书馆统一解决方案的承诺，在智慧图书馆时代又面临新的发展瓶颈。其相对刚性的架构、孤岛化的数据模型和有限的智能水平，难以满足现代用户对新型资源生态的获取，及主动式服务的迫切需求。本文旨在提出一种基于大语言模型（LLM）智能体（Agent）的下一代 LSP架构A-LSP，以解决现有LSP的局限性，并推动图书馆服务平台向人工智能时代转型。[方法/过程]该架构引入了一个新的3层概念模型，包括实现标准化工具集成的MCP市场、负责编排调度的智能体中间件，以及支持功能扩展的智能体应用生态层。同时，文章面向未来图书馆提出了“五大中心”的建设需求框架，即智慧资源中心、智慧服务中心、智慧学习中心、智慧学术交流中心与智慧文化传承中心，以构建图书馆技术与业务融合的蓝图。[结果/结论]研究提出的A-LSP架构通过基于模型上下文协议（MCP）的API封装，确保了对现有系统的后向兼容性，能够在不替换原有系统的基础上实施新的平台战略。这一基于智能体的图书馆服务平台可以看成是现有LSP的重要升级，将驱动其从以资源管理为中心转向以智能体服务为中心，成为人工智能时代的图书馆服务平台。
关键词：智能体；智慧图书馆；图书馆服务平台；大语言模型；多智能体系统；模型上下文协议
0 引言
当前，大多数图书馆所采用的管理系统是以集成图书馆系统（Integrated Library System，ILS）为核心的混合型图书馆服务平台。图书馆服务平台（Library Service Platform，LSP） 这一概念于2011年被提出，用以区分新一代图书馆系统与传统的ILS在技术设计和功能模式上的不同。LSP的出现是图书馆自动化进程中的重要里程碑，它通过云服务等现代技术，提供了比传统ILS更灵活的工作流程，以应对图书馆日益复杂的多格式馆藏管理需求。然而，随着“智慧社会”建设的推进，整个社会全面加快数智化步伐，特别是中国《“十四五”公共文化服务体系建设规划》国家战略将“智慧图书馆”提升至新高度，明确要求基于新一代的图书馆系统，建立智慧化知识服务新环境。在此背景下，智慧图书馆已不仅是技术的叠加，更是服务理念的根本性重塑。它要求图书馆成为一个能够感知用户需求、提供精准知识服务、并深度融入科研教育与文化生活的主动参与者，以彰显图书馆在智慧时代的价值。
面对这一时代需求，即便是市场领先的LSP产品（如Alma、FOLIO等），也开始触及其演进的天花板。这些平台的核心设计理念诞生于统一管理不同格式资源的时代，其工作流范式在很大程度上仍是对传统ILS业务流程的云端迁移，而非面向智能服务的原生设计。它们在提供真正智能化、个性化和情境感知的服务方面能力有限，并且无法真正整合不断出现的新功能模块和交互需求，这构成了当前智慧图书馆建设面临的核心技术瓶颈。
当前，大模型（LLM）技术的蓬勃发展正在推动图书馆从传统的数智化阶段，迈向以“大模型+”为核心的智能服务新模式[3]。这不仅要求对图书馆现有系统的应用技术、服务功能进行升级，更需要对LSP的底层架构进行根本性重构。面对上述挑战，研究试图回答一个核心研究问题：该如何设计一种全新的图书馆服务平台架构，以克服当前LSP的内在局限，并全面赋能智慧图书馆的宏伟愿景？
鉴于智能体（Agent）技术正逐渐发展成为大模型应用的核心策略，本文认为智能体技术将是驱动下一代图书馆服务平台革命的关键。研究提出了一种创新的、基于智能体的下一代LSP架构——A-LSP，该架构通过一个包含兼容与工具层、编排与智能层、应用与生态层的3层模型，系统性地集成了大语言模型、多智能体系统和模型上下文协议（MCP）等前沿技术。与此同时研究绘制了该架构赋能未来图书馆“五大中心”建设的应用蓝图，并通过场景案例描述，展现了 A-LSP架构在提升服务效率和质量方面的巨大潜力。
1 图书馆平台的发展与瓶颈
1.1 图书馆平台的架构演进
图书馆系统的架构演进史，是一部跟随载体变迁与技术进步不断实践的历史。其发展路径清晰地展现了从单体架构到分布式架构的技术趋势。从最初的ILS主机终端架构，到基于“客户端-服务器”（Client Server）模式的单体应用，到基于 Web的应用，逐步形成了集传统采编典流等模块为一体自动化管理模式。伴随移动互联网和云技术的兴起，为应对数字资源的挑战，LSP应运而生，其架构普遍转向基于云计算的多租户软件即服务（SaaS）模式，并开始引入面向服务的架构（SOA）。
在这一演进过程中，开源项目FOLIO的出现具有里程碑意义。FOLIO（Future of Libraries is Open）首次在图书馆领域大规模实践了微服务架构。它将图书馆的各项功能（如用户管理、典藏、流通等）拆分为一系列独立的、可通过API互相通信的微服务应用。这种架构在理论上提供了前所未有的灵活性、技术异构性和可扩展性，打破了供应商锁定，使图书馆能够按需组合功能模块。然而，微服务架构也有其局限性，它带来了分布式系统固有的复杂性，如服务发现、部署协调、数据一致性等挑战。此外，还存在着潜在的“分布式单体”风险[8]，各个服务间可能因不当耦合而丧失了原有的独立性。FOLIO的实践表明，从单体到微服务的转变是必要的一步，但仅实现架构的解耦，尚不足以实现真正的服务智能。
1.2 现有LSP的核心局限性
当前这些主流LSP的局限性是底层架构与智慧时代需求之间结构性错配的集中体现，而非孤立的技术缺陷。这些局限性主要表现在4个方面。
一是技术架构刚性。许多LSP虽然采用云部署，但在架构上仍带有单体应用的特征，或其微服务实现过于复杂，导致迁移、定制和二次开发的成本高昂。如密歇根州立大学（MSU）在实施开源LSPFOLIO时，就面临了极其繁琐的数据映射与系统集成挑战，这说明即便是开放架构，也难以避免实施的复杂性。这种架构刚性严重制约了图书馆快速响应新技术、融合新服务的能力。
二是业务流程孤岛化。尽管LSP致力于统一管理，但针对纸质和数字资源的采购、编目、流通等工作流未能实现无缝整合。馆员需要在不同模块间切换，效率低下；用户则面对一个表面上功能一体化、但实则缺乏连贯性体验的前端。即便是提供了开放API的系统，由于缺乏统一的语义和流程标准，实现跨模块、跨系统的深度业务流程自动化仍然困难重重。
三是服务智能浅层化。现有平台在“管理”层面表现出色，但在“服务”层面的智能化水平普遍不高。用户与系统的交互多是被动和反应式的，例如基于关键词的检索或固定的表单请求等。用户体验常被评价为“不友好”，缺乏现代消费者在其他数字服务中已习以为常的个性化服务和主动式引导。图书馆现有的AI应用，如简单的问答机器人，往往是外挂式的，未能与核心业务流程深度融合。
四是生态系统封闭性。LSP市场高度集中于少数几家大型供应商，导致图书馆在议价、服务定制和技术选型上处于弱势地位，形成了事实上的“供应商锁定”。不透明的定价模型和高昂的系统切换成本，严重抑制了行业的创新活力，限制了图书馆根据自身特色需求构建定制化解决方案的能力。
2 大模型驱动的智能体技术
2.1 大模型智能体架构
大模型技术的突破正推动人工智能向具备自主能力的智能体时代加速演进。大模型在自然语言生成、推理、决策等领域的进步，为大模型智能体的发展提供了动力。大模型智能体，是指那些能够利用大模型作为其核心推理引擎，感知环境、制定计划并执行动作，自主实现预设目标的计算实体。这种自主性的发展标志着人工智能从被动的模式识别工具向主动的目标驱动系统转变。
一个典型的智能体需要构建完整的“感知-规划-行动”闭环，其架构通常包含4个核心模块：①画像模块（Profiling Module），为智能体设定身份、角色和目标。例如，可以将一个图书馆智能体设定为“专业的学术参考咨询馆员”，目标是帮助用户高效准确地查找所需的文献。②记忆模块 （Memory Module），赋予智能体学习和适应的能力。它包括用于维持对话上下文的短期记忆，以及用于存储用户偏好、历史交互和领域知识的长期记忆。③规划模块（Planning Module），该模块作为智能体的“大脑”，负责将用户提出的复杂、高层级的任务分解为一系列具体的、可执行的子步骤。这是智能体推理能力的核心体现。④行动模块（Action Module），负责执行规划模块制定的计划。它通过调用外 部工具（Tool Use）或函数（Function Calling）与环境进行交互，例如查询数据库、调用 API、执行代码等。这些模块协同运作，形成了一个动态的、自适应的系统，能够根据环境变化和用户需求实时调整智能体的行为策略，从而在多样化的应用场景中展现出强大的自主决策和执行能力。
2.2 智能体交互与协作
在大模型智能体快速发展的浪潮中，业界涌现出LangChain、AutoGen等多个强大的开源框架，以及MAS（多智能体系统）、MCP（模型上下文协议）、A2A（Agent2Agent）等关键协议和理念。它们共同推动了AI系统的智能化、协同化和标准化进程。2024年底，为解决智能体与工具、外部世界的高效连接，Anthropic推出了MCP，为智能体与外部系统交互提供了一个统一、安全、上下文感知的“通用连接器”，使AI模型能够像“USB接口”一样，无缝对接各种外部数据、业务系统和开发环境。这一进展有效打破了信息孤岛，显著减少了每次集成所需的定制开发，大幅提升了AI系统的可扩展性和开发效率。智能体因此能通过MCP动态、实时、安全地访问和操作外部数据与工具，这支持了复杂任务的自动化与协作，更推动了智能体向自主行动体的转变。更重要的是，MCP为AI应用生态构建了标准化、开放且安全的基础设施，促进了智能体从“单体智能”向“网络智能”的转变，助力AI应用爆发式增长和生态建设。可以预见，随着 MCP的推广和应用，围绕智能体与各类工具、数据源交互的标准化市场和繁荣生态系统将逐步形成。
此外，Google2025年推出的A2A协议为AI智能体开放生态提供了另一块基石。A2A为实现不同AI智能体之间的跨平台、跨供应商、跨框架的安全通信与协作提供了标准，在架构设计上体现了对构建健壮、可扩展的多智能体系统的深刻思考。其标准化的发现机制和任务生命周期管理框架，恰好解决了在构建类似“MCP市场”这样的生态系统时所遇到的挑战，即如何有效发现服务并管理复杂的智能体交互。在多智能体系统中，多个拥有不同专长的智能体，如“检索专员”“分析专员”“总结报告员”等，可以像人类团队一样，通过对话进行协作，共同完成一项复杂的任务。这一协作模式与图书馆中需要多角色馆员协同工作的复杂业务场景高度契合，为构建下一代LSP提供了直接的技术参照。
3 基于智能体的下一代LSP架构设计
为实现从资源管理到智能服务的提升，本文提出一个面向智能体（Agent-Oriented）的下一代 LSP架构，简称为A-LSP。该架构采用分层设计，以构建一个能够智能内生、兼容并包的现代化技术平台，并能够实现生态开放。
3.1 总体架构：3层模型
A-LSP的核心是一个3层逻辑模型，各层权责分明，协同工作，共同构成一个完整的智能服务生态系统（图1）。
图1 面向智能体的下一代图书馆服务平台（A-LSP）架构
Fig.1 Agent-oriented next-generation library service platform (A-LSP) architecture
（1）第一层：兼容与工具层——MCP市场。这是平台的基石，负责连接智能体生态与外部世界。它通过标准化的协议，将图书馆现有的、异构的系统（包括旧LSP）和外部工具转化为智能体可以调用的“能力单元”。
（2）第二层：编排与智能层——智能体中间件。这是平台的“操作系统”和“大脑”，负责智能体的生命周期管理、任务规划与分解、状态与记忆维持，以及最重要的多智能体协作编排。
（3）第三层：应用与生态层——智能体市场。这是面向最终用户和开发者的功能层。在这里，各种封装了特定业务逻辑的、可复用的智能体被发布、发现、组合和调用，形成丰富的应用生态。这种分层架构的设计，清晰分离并实现了工具的标准化、智能的编排和应用的多样化3个关键目标，为构建一个健壮、可扩展的平台奠定了基础。
3.2 核心组件与技术栈
3.2.1 兼容性封装与MCP市场
传统图书馆技术生态的最大痛点之一是系统异构和数据孤岛。A-LSP要取得成功，关键在于能否在不全盘推翻现有投资的前提下，实现与这些系统的平滑对接。为了解决这一挑战，我们引入模型上下文协议MCP作为核心技术。可行的方案是为每一个需要集成的系统（如Alma、FOLIO、发现服务、机构知识库等），开发一个轻量级的MCP服务器。这个服务器接收来自智能体中间件的标准化MCP请求，然后将其翻译成目标系统特有的API调用，最后将目标系统的响应数据转换成MCP标准的格式返回给智能体。
通过这种封装，MCP将复杂的“N×M集成问题”简化为“N+M”的线性问题，有效解决了将多个 AI模型连接到不同的工具或数据源所带来的指数级难题。智能体开发者无须为每一种工具编写专用代码，只需面向统一的MCP标准开发。所有经过封装的工具（MCP服务器）被注册到一个可发现的MCP市场中，类似于一个“API市场”。这使得平台的能力可以被无限扩展：需要接入一个新的数据源或外部服务时，只需为其开发一个 MCP服务器并注册到市场即可，平台核心无需任何改动。
3.2.2 智能体中间件
智能体中间件是A-LSP的智能核心，它为上层应用的运行提供了所有必要的“智能动力”。该中间件可基于成熟的开源智能体框架进行构建。其关键功能组件包括如下几个部分。
（1）智能体生命周期管理器。负责根据需求即时创建（实例化）、运行、监控和销毁智能体实例，并管理其资源分配。
（2）任务规划与分解器。当接收到一个来自用户或系统的高阶指令时，该组件利用LLM的推理能力，将此复杂任务自动分解为一个包含多个逻辑步骤的执行计划。
（3）状态与记忆管理器。为每个会话或任务维护动态的短期记忆，捕捉当前的上下文信息。同时，还能访问并更新一个持久化的长期记忆库。这个长期记忆库中存储着用户画像、偏好、历史行为数据以及领域知识图谱等，从而赋予智能体个性化和持续学习的能力。
（4）多智能体编排器。这是实现复杂任务的核心。它根据任务计划，调度和协调多个不同角色的智能体进行协作。例如，在学术调研任务中，它会首先激活一个“参考访谈智能体”与用户对话以明确需求，然后将需求传递给一个“多库检索智能体”，并将检索结果交由“去重与排序智能体”处理，最后由“总结与格式化智能体”生成报告。整个过程通过标准化的消息传递协议进行，实现了高效的流水线式作业。
3.2.3 智能体市场
如果说智能体中间件是“后台”，那么智能体市场就是面向所有参与者的“前台”。它是一个类似于“APP Store”或“插件商店”的平台，极大地降低了智能应用的开发和使用门槛，是构建开放生态的关键。
智能体市场陈列着大量预先构建好的、封装了特定业务能力的智能体，可供浏览和搜索。这些智能体可以是由平台官方开发的“基础智能体”，也可以是第三方开发者，甚至图书馆自己创建的“专业智能体”。用户（包括馆员和读者）可以像选购APP一样，订阅、组合这些智能体来构建满足自己特定需求的个性化工作流。一些用于图书馆业务流程的智能体样例如：①参考访谈智能体。通过多轮对话，引导用户明确其原本模糊的信息需求。②多库检索智能体。能自动生成复杂的检索式，可适配多个不同数据库的语法，并执行检索。③数据可视化智能体。接收结构化数据，并根据用户指令自动生成各种图表。④古籍分析智能体。对扫描的古籍进行OCR、自动句读、实体识别和内容翻译。⑤版权清查智能体。自动检查指定文献的版权状态，为教学参考资料包或馆际互借提供合规性判断。
智能体市场的建立催生了一种全新的平台经济模式。平台的核心（如智能体中间件）可以保持开源，以吸引广泛的社区参与和技术贡献。而平台的运营者和第三方开发者则可以通过智能体市场提供增值服务，例如对高性能或专业领域的智能体收取订阅费、按使用量计费，或采用“免费增值”（Freemium）模式提供服务。“免费增值”免费提供产品或服务的基本功能，但对附加或高级功能进行额外收费。这种模式既保证了技术的开放性，又为生态的持续创新和商业化运营提供了动力。
4 应用蓝图：智能体赋能图书馆“五大中心”
“十四五”期间，中国兴起了智慧图书馆建设的热潮。智慧图书馆的体系架构并非漫无目的技术堆砌，而是围绕着明确的战略目标展开。传统以资源和业务为中心的图书馆管理理念使图书馆逐渐远离用户的需求，造成图书馆逐渐边缘化，无法体现其价值，这也是高校图书馆从大学的“心脏”衰变为“阑尾”的根源。基于图书馆在数字时代的核心职能演进，本文将未来图书馆形态概括为智慧资源中心、智慧服务中心、智慧学习中心、智慧学术交流中心与智慧文化传承中心这五大中心。这一构想可以作为未来图书馆技术与应用发展的基本框架。不同类型的图书可根据其自身定位与服务特色，侧重建设其中几个中心的建设与发展；但从图书馆行业视角来看，其核心职能已包含在这五大中心之中。这些中心的核心内涵与功能定位进一步归纳如下。
（1）智慧资源中心。超越传统的馆藏建设，致力于对海量异构资源进行深度整合、语义挖掘和知识组织，构建动态的、关联的知识网络，实现从馆藏到知识的跃升。
（2）智慧服务中心。将服务模式从被动响应服务，转变为主动的、泛在的、全天候的个性化知识服务，预测用户需求并提供解决方案。
（3）智慧学习中心。支持全民终身学习，通过提供自适应的学习路径规划、交互式的教学体验和精准的信息素养教育，成为社会化的学习枢纽。
（4）智慧学术交流中心。深度融入科研创新全过程，提供科研态势分析、学术脉络发现、学者合作推荐等服务，成为学术交流与知识创造的促进者。
（5）智慧文化传承中心。运用智能技术对文化遗产进行深度挖掘与活化利用，通过数字化重构、语义化解析和沉浸式体验，实现从静态保存到活态传承的转变。
图2 未来智慧图书馆“五大中心”
Fig.2 “Five centers” of future smart libraries
当前，国内领先的图书馆如上海图书馆、首都图书馆等已在智慧应用方面进行了许多有益的探索，例如引入智能机器人、数字人馆员、智能盘点和数字人文AI应用等。然而，这些应用多为点状的、孤立的创新。一个系统性的、能够全面支撑“五大中心”协同发展的底层平台架构，在LSP中实现统一、强大的AI基座，至今仍是空白。
A-LSP架构如何系统性地赋能图书馆五大中心业务？本文将为每个中心描绘一个典型的复杂应用场景，并分析其背后的多智能体协作流程，以清晰展示A-LSP与各中心业务逻辑的深度融合，从而阐明其对未来图书馆服务模式的深远影响。
4.1 智慧资源中心：从编目到知识策展
传统资源建设的核心是“编目”，即对文献进行描述性元数据加工。A-LSP将这一过程升级为“知识策展”（Curation），即深度挖掘资源内涵并构建知识网络。以下为一批包含1000份近代史手稿的馆藏被数字化并需要入库的任务场景工作流示例。
A-LSP工作流：①“采集智能体”监控到新文件入库，自动触发知识策展工作流；②“元数据抽取智能体”利用OCR技术将图像转为文本，再通过NLP模型自动抽取作者、日期、地点、信件往来双方等关键信息；③“主题分析智能体”对文本内容进行深度分析，自动标注主题词和关键词，并生成内容摘要；④“实体链接智能体”识别文中的人名、地名、机构名等专有实体，并将它们链接到VIAF等权威控制文件以及图书馆自建的知识图谱节点上；⑤“关系发现智能体”通过分析整个手稿集中实体（如人名）的共现频率和上下文，自动推断出隐藏的社会网络关系，并将这些关系存入知识图谱。
通过A-LSP的多智能体知识策展过程，这批手稿不再是1000个孤立的记录，而被转化成一个包含丰富实体、关系和语义的、可供深度查询和可视化分析的知识库。这一转化不仅极大提升了信息的可发现性和利用率，更为未来的自动化知识策展奠定了基础。未来，“策展智能体”将能够从已建成的知识库和知识网络图谱中，根据预设主题，智能识别、组织和自动生成可视化的知识展览，从而实现知识的更深层次呈现与传播。
4.2 智慧服务中心：主动式个性化参考咨询
智慧服务中心的目标是变被动响应为主动服务，典型的服务如将传统的参考咨询台升级为24/7在线的智能知识伙伴。以下为一位博士生利用图书馆为其关于“量子计算”的开题报告寻找核心文献的任务场景工作流示例。
A-LSP工作流：①学生与“参考访谈智能体”进行自然语言对话。该智能体通过多轮提问，帮助学生将模糊的想法（“找量子计算资料”）聚焦到具体的研究问题（“寻找关于‘退火量子计算在药物发现中的应用’的最新综述和开创性论文”）。②访谈结束后，智能体自动生成一份研究计划，并激活“多库检索智能体”。③该检索智能体通过 MCP层，将研究计划转化为针对多个数据库（如知网、Web of Science、Scopus、ArXiv 及本馆目录）的精确检索式，并发执行检索。④“相关性排序智能体”接收到来自不同数据源的数千条结果后，并非简单合并，而是利用LLM对摘要和元数据进行语义分析，并结合该学生的个人画像（如过往的下载和引用记录），对结果进行个性化重排序，将最可能相关的文献排在前面。⑤“摘要生成智能体”为排名最高的10篇文献生成精炼的核心观点摘要，“引文管理智能体”则一键将这些文献的完整信息导出到学生指定的文献管理软件中。⑥系统在交付结果后，会主动询问学生满意度，并可根据反馈安排一次自动化的文献追踪服务，或在判断问题高度复杂时，无缝转接至人类专家馆员进行深度辅导。
通过服务流程的设计，智慧服务中心不仅能够提升用户知识获取的精准度和效率，更将图书馆的服务从被动资源提供者升级为赋能知识发现的智能伙伴。它确保了用户能够获得高度定制化的知识需求，有效弥合用户在潜在需求与传统服务供给之间的鸿沟。
4.3 智慧学习中心：自适应信息素养教育
智慧学习中心致力于赋能全民终身学习，革新个体获取和应用知识的方式。无论公共图书馆还是高校图书馆，都肩负信息素养教育的重要职能。将信息素养教育从标准化的课程，转变为融入学习过程中的情境化指导，是未来智慧学习中心的发展方向。以下是该工作流示例的任务场景：一名本科新生在撰写其第一篇学术论文时，对如何查找和评估学术资源感到困惑，此时图书馆将提供培训指导。
A-LSP工作流：①“信息素养辅导智能体”首先通过一次诊断性对话或小测验，评估该学生的现有技能水平。②基于评估结果，它为学生量身定制一个学习路径，推荐一系列互动式的微学习模块，如“如何辨别同行评议期刊”“文献管理工具使用技巧”等。③当学生在平台内进行文献检索时，该智能体作为“伴随式”助手实时介入，提供情境化建议。例如，当检测到学生的提问或描述不够清晰、检索意图模糊时，它会主动通过对话进一步澄清需求，引导学生缩小范围或提供更具体的背景信息；当发现学生检索结果数量过少或相关性不佳时，它会推荐调整检索策略或提问方式。④它还可以根据学生论文的学科领域，推荐相应的学科馆员或连接到“写作中心辅导智能体”，提供论文结构和引文格式方面的帮助。
通过这种自适应、情境化的学习支持，智慧学习中心将信息素养教育深度融入学生的日常学习实践，而非作为独立的附加课程。这不仅显著提升了学生获取、评估和利用信息的能力，更培养了其终身学习与批判性思维的关键素养。通过 A-LSP的赋能，图书馆成为了一个无处不在的个性化学习导航者，确保每位学习者都能在复杂的信息环境中高效成长，实现知识与技能的同步提升。
4.4 智慧学术交流中心：赋能科研创新协作
智慧学术交流中心为科研人员学术交流与知识创造提供平台，利用数据与智能技术，促进知识发现、科学研究与学术合作。以下是示例的任务场景：一位教授正在进行跨学科研究的基金申请，希望寻找校内外合适的合作伙伴。
A-LSP工作流：①“科研画像智能体”接收教授提交的基金申请书草稿和个人信息。它分析申请书的文本内容以提取核心研究方向和方法，并结合教授的过往发表记录、引文网络和合作者图谱，构建其全面的学术画像。②画像智能体在机构知识库、Scopus、专利数据库等全球学术资源中进行检索，寻找研究领域高度相关、技能形成互补的潜在合作者。③同时，“趋势分析智能体”对相关领域近五年的文献和基金数据进行计量分析，生成可视化报告，揭示该领域的研究热点、新兴方向和主要研究团队，为教授优化申请方向提供决策支持。④最终，系统向教授呈现一份包含潜在合作者排名列表的报告。每位候选人附有其学术简介、与本项目的关联性分析、代表作摘要以及可视化的合作网络图谱。
智慧学术交流中心通过这一智能化的协作匹配流程，为科研人员交流合作提供了支持，降低了跨机构合作的门槛。此外，系统还通过深度数据分析揭示领域发展趋势，帮助研究者快速把握创新方向，实现了智能化、数据驱动的科研协作新方式。
4.5 智慧文化传承中心：交互式数字叙事
智慧文化传承中心利用智能技术，将静态的文化遗产资源转化为动态的、引人入胜的交互式体验。以下示例的任务场景为：图书馆希望利用其馆藏的数字化古地图，策划一个关于“古代丝绸之路”的在线虚拟展览。
A-LSP工作流：①策展人设定展览主题后，“策展智能体”在数字馆藏中自动检索所有与“丝绸之路”和指定时期相关的地图、古籍、器物图片等资源；②“图像分析智能体”对古地图进行深度学习分析，自动识别并标注出地图上的关键地理元素（如长安、撒马尔罕、罗马）、路线，以及图例中的神兽、商队等图像；③“叙事生成智能体”将这些被标注的元素作为叙事节点，从关联的古籍中抽取相关历史记载，自动编织成一条条互相关联的、图文并茂的叙事线索；④“展览呈现智能体”将这些叙事内容、结合地图、图片等素材进行整合、渲染，并将其融合到一个交互式虚拟空间。用户可以在虚拟展厅中“漫步”，点击地图上相关节点，即可弹出对应的历史故事、相关文献链接以及其他馆藏文物的数字模型，实现沉浸式的探索体验。
通过A-LSP的多智能体协作，为文化资源的展览的策展提供了智能分析、叙事重构和视觉呈现。平台拓展了多模态内容的融合能力，使数字叙事更加生动立体，为历史文献的活化、实现文化记忆的创造性转化和创新型发展提供了空间。
5 A-LSP架构的价值、挑战与未来发展
5.1 价值与意义
本文提出的面向智能体的下一代LSP架构A-LSP不仅是一个技术方案，更是一种对未来图书馆服务形态的构想，其实施将从以下3方面推动图书馆的转型与变革。
首先，A-LSP实现了从业务孤岛到全局协同的转变。当前图书馆的技术生态由众多互不连通的系统构成，形成了难以逾越的数据和流程壁垒。A-LSP通过MCP兼容层，以一种轻量级、标准化的方式将这些孤岛连接起来，使数据和能力可以在整个生态中自由流动。这使得过去难以想象的、跨系统的复杂自动化工作流成为可能，实现了从数据管理到知识流动的转变。
其次，实现了LSP从被动工具到主动赋能的转型。传统LSP本质上是一个被动的工具箱，等待用户或馆员的指令。而A-LSP的核心是主动的智能体，它们能够理解用户的高层级意图，预测其潜在需求，并自主规划和执行任务。这种转变将图书馆的角色从一个静态的信息仓库，提升为用户在整个知识发现、学习和创造生命周期中的主动、智能的合作伙伴。
第三，推动了从封闭系统到开放生态的演进。供应商锁定是长期困扰图书馆界的难题，A-LSP 的“智能体市场+MCP市场”双市场模型，旨在从根本上打破这一僵局。它通过开放标准化接口和建立平台经济模式，鼓励第三方开发者、专业学术社区乃至图书馆自身参与到应用和工具的创新中来。这将催生一个充满活力、公平竞争、快速迭代的良性生态，使图书馆能够真正掌握自身技术发展的命运。
5.2 技术与伦理挑战
实现这一宏伟蓝图并非没有挑战。技术、伦理和社会层面的问题必须得到正视和妥善处理。作为智能体大脑的大模型，其固有的“幻觉”（Hallucination）问题构成最主要的技术风险。智能体可能会生成事实错误或带有偏见的信息。可采用一些缓解策略，例如强制采用检索增强生成（RAG）模式，设计多智能体交叉验证机制，在用户界面明确标注信息来源和系统的置信度等。在可扩展性与成本方面，大规模运行成百上千个复杂的智能体，对计算资源的需求是巨大的。这要求在架构设计上充分考虑成本效益，例如采用模型蒸馏技术训练出更小、更专业的领域模型，并结合高效的云原生部署和动态资源调度策略。安全性挑战在开放生态中不容忽视，一个开放的、允许第三方智能体接入的生态系统，安全风险也会增加。因此必须建立一套严格的安全模型，包括对第三方智能体的代码进行安全审计、在沙箱环境中运行智能体、实施精细化的权限控制以及建立完善的操作日志以供审计。
A-LSP同时也面临数据隐私、算法偏见以及图书馆员角色重塑等伦理与社会的挑战。在数据隐私方面，A-LSP为了实现个性化服务，需要收集和分析大量的用户行为数据。必须将“隐私保护设计”作为核心原则，实施严格的数据治理政策，推广数据匿名化和去标识化技术，并赋予用户对其个人数据完整的知情权和控制权。在算法偏见方面，智能体可能会在不经意间放大其训练数据中存在的偏见，从而导致在资源推荐、信息过滤等环节出现偏见观点或歧视倾向。这要求保证智能体决策过程的透明度和可解释性，建立算法审计机制，引入公平性评估指标，通过建立完善的伦理框架，保障图书馆的核心使命。此外，能力强大的智能体将不可避免地替代馆员承担大量重复性、事务性工作，图书馆员角色将面临重塑。未来的图书馆员需要向更高价值的岗位转型，例如成为智能体工作流设计师、AI模型训练师、智能体生态管理者以及深度咨询服务专家等。
5.3 未来发展模式
一个成功的技术平台必须具备可持续发展的能力，这不仅依赖于技术创新，更需要合理的发展模式和健康的生态系统支撑。我们认为，A-LSP 最理想的发展模式是一种“开源核心+商业生态”的混合模式。具体而言，平台的核心组件，特别是智能体中间件，应采用开源模式（如Apache 2.0许可），以汇聚各方智慧，吸引全球范围内的社区力量共同开发和完善底层技术。开源模式确保了技术的开放性和透明度，能够激发创新活力，加速技术迭代与进步，有利于平台的长期发展。在此基础上，通过商业化的智能体市场和MCP市场，为商业公司提供创造价值和获取回报的机会。商业公司可以充分发挥自身的技术优势和专业能力，提供企业级的技术支持、安全的私有化部署方案、以及针对特定领域的高性能专业智能体，满足行业客户的个性化需求。这种模式能够平衡社区的开放创新与商业的可持续运营，形成一个共建、共享、共赢的良性循环。在这种协同创新的发展模式下，A-LSP不仅能够保持技术领先性，还能为图书馆行业构建一个充满活力的创新生态系统，最终推动图书馆服务向智能化、个性化和开放化的方向不断演进。
6 结语
研究系统地剖析了在智慧图书馆的时代背景下，当前主流图书馆服务平台在架构和功能层面所面临的深刻局限。为应对这些挑战，文章提出了一种创新的、基于智能体的下一代LSP架构A-LSP。通过将系统设计的基本理念从“以资源管理为中心”转向“以智能体服务为中心”，该架构通过一个包含标准化工具集成的MCP市场、负责编排调度的智能体中间件，以及支持功能扩展的智能体应用市场的3层模型，构建一个不仅集成、高效，而且真正智能、自适应和生态驱动的新平台。文章绘制了该架构赋能图书馆“五大中心”建设的应用蓝图，并通过场景案例描述，展现了其在提升服务效率和质量方面的巨大潜力。
展望未来3至5年，随着技术的成熟和生态的构建，图书馆智慧服务有望迈入一个全新的发展阶段。“智能体原生服务”将会出现，并重塑智慧图书馆的核心竞争力。例如完全自主的“科研助理智能体”追踪领域的研究进展并生成综述；“沉浸式文化体验智能体”根据用户情绪实时调整背景音乐、光线以及阅读推荐内容。这些在今天看似超前的服务，或将成为未来图书馆的常态。此外，人机协作模式将成为研究焦点。未来的研究重点将从构建更强大的智能体，转向设计更高效的“人-机”协作模式。如何设计交互界面和工作流程，使馆员和用户能够与AI智能体形成无缝的、互相信任的伙伴关系，充分发挥人类的创造性、批判性思维和AI的不知疲倦的执行力与记忆力，将是人机交互和信息科学领域的重要课题。最后，治理与标准体系的建立是生态繁荣的关键。未来，行业需在MCP基础上扩展智能体互操作性标准，制定性能与可靠性评测基准以及伦理行为准则。图书馆界应通过NISO、IFLA等国际组织，联合学术界和产业界，积极主导和参与这些标准的制定，确保智能体技术在图书馆领域得到健康、有序和负责任的发展，最终实现以AI塑形智慧图书馆的宏伟目标。