下一代图书馆服务平台是没有服务平台
2026年08期【本期推荐】
作者：刘炜，周江纯
来源：刘炜,周江纯.下一代图书馆服务平台是没有服务平台[J].图书馆理论与实践,2026,(4):1-11+37.DOI:10.14064/j.cnki.issn1005-8214.2026.04.011.
摘要：
文章以高校图书馆及科研机构图书馆为主要研究对象，采用理论框架构建方法，通过分析知识生态的三重变迁与智能体重构 SaaS （软件即服务） 范式的技术机制，提出“面向智能体的图书馆服务平台”三层架构模型，论证自主智能体技术成熟背景下图书馆服务平台从“AI 就绪”向“AI 原生”跨越的战略路径。文章认为，“无平台”并非无系统支撑，而是平台以公共基础设施形态隐身于后台，且图书馆应以“数据图书馆”建设为底层基础，分层推动 AI 原生转型，同时理性直面数字鸿沟、数据安全及 MCP 协议安全等现实约束。
关键词：
图书馆服务平台；自主智能体；AI 原生；数据图书馆；知识交付；无平台战略
1 引言：从“平台时代”到“后平台时代”
2014 年，当 Gartner 将“图书馆服务平台”（Library Service Platform，LSP） 正式纳入其技术成熟度曲线时，图书馆界为之一振。彼时，一款基于云服务的下一代 LSP “Ex Libris Alma”以云计算原生态横空出世，以统一的资源管理架构取代了孤立运作的集成图书馆系统 （Inte－grated Library Systems，ILS），将馆员从多个系统界面的频繁切换中解放出来。此后十年，LSP 的扩张如同潮水般势不可挡——采编、流通、电子资源管理与发现服务得以在同一个云端平台上实现统一协调；FOLIO 的开源实践更是引入了社区共建的竞争格局，将技术民主化的理念注入了长期由商业巨头主导的图书馆 IT 市场。
然而，就在这场以 LSP 为标志的第二次范式转型尚未完全落地之际，新一轮技术变革已在加速推进。2022 年底，ChatGPT 的问世标志着生成式人工智能 （Generative Artificial Intelli－gence，GenAI） 进入大规模应用阶段，并在知识密集型行业引发深远影响。2025 年前后，以 Manus 为代表的自主智能体产品陆续问世，人工智能 （Artificial Intelligence，AI） 从“回答问题”的对话工具发展为能够“自主完成任务”的数字执行者。在这一背景下，一个值得图书馆技术人员认真审视的问题逐渐显现——当智能体能够自主调用 API、编排跨系统工作流、主动嵌入用户原生的科研与学习场景时，用户为什么还要专程登录一个“图书馆服务平台”?
本研究的核心观点由此而生：下一代图书馆服务平台是没有服务平台的。这一观点并非宣告图书馆技术建设的终结或虚无，而是揭示了一种去中心化、泛在化、隐形化服务范式的可行方向——未来图书馆的技术基础设施将不再是一个有边界的中心化目的地，而是一套智能体主动融入用户原生工作流的无形信号网格（Signal Grid，智能服务网格，即以 API 接口与智能体协议为节点，以用户原生工作流为触达路径，以图书馆知识服务能力为内容的分布式、去中心化的服务基础设施，区别于以门户入口为核心的“平台”模式）。本研究将循此逻辑，依次论证知识生态的三重变迁如何动摇图书馆现有的运作前提，自主智能体如何从架构层面重构 SaaS （Software as a Service，软件即服务）范式并催生“面向智能体的图书馆服务平台”（Agent-Oriented Library Service Platform， A-LSP） 框架，未来图书馆的核心交付物究竟应当是什么以及通向“AI 原生”架构的战略路径。
需要说明的是，本研究主要针对高校图书馆与科研机构图书馆——这两类机构在数字化程度、技术人才储备与数据资产积累方面基础相对较好，是最具 A-LSP 转型可行性的前沿场景。本研究的框架对公共图书馆和国家级图书馆亦有一定参考价值，但具体路径需因馆制宜，本研究将在如何分层推进部分（6.4 小节）作适度区分处理。
2 相关研究
2.1 图书馆服务平台的演进研究
学术界对图书馆技术系统的发展历程进行了系统梳理。Breeding 长期跟踪北美图书馆自动化市场，其年度图书馆系统报告构成了理解 LSP 市场格局演变的重要文献基础。就平台范式的学术界定而言，Breeding 于 2011 年将 LSP 定义为基于多租户云架构、整合印刷与电子资源全流程管理并支持统一发现服务的新型系统，以区别于传统的 ILS。国内学术界对智慧图书馆的理论框架与技术路径已有较为系统的研究积累，在 LSP 的本地化实践方面亦形成了一定的文献基础。然而，已有研究虽然较为充分地描述了 LSP 的演进脉络，但对智能体驱动下“去平台化”的前瞻性探讨相对不足。
2.2 智能体技术在信息服务领域的研究
近年来，自主智能体研究在 AI 领域迅速升温。以 LangChain、AutoGen、CrewAI 为代表的多智能体框架的涌现，验证了以自然语言驱动、工具调用为核心机制的任务自动化路径的可行性。在信息服务领域，学术界关注大语言模型在参考咨询、文献推荐与学科情报分析中的潜力：基于 RAG （Retrieval-Augmented Generation，检索增强生成） 架构的信息检索系统，能够显著增强答案的可追溯性。国内学者在智慧图书馆智能体平台研究中，提出了面向采编、参考咨询等馆务工作的智能体应用框架。然而，现有研究多聚焦于单一功能模块的 AI 赋能，从多智能体协作角度系统性探讨图书馆整体架构变革的研究尚不多见。
2.3 平台化与去平台化的信息系统研究
信息系统领域对 SaaS 范式的优势与局限形成了较为成熟的研究积累。Bain & Company 的行业研究报告指出，自主智能体将系统性替代 SaaS 交互层，使底层数据与业务逻辑转变为不可见的基础设施。The New Stack 等技术媒体系统性梳理了企业级 SaaS 向智能体架构迁移的相关案例。在学术层面，Silverchair 等内容平台发布的战略报告指出，当用户的内容获取入口被 AI 助手取代时，传统门户平台的访问量将不可逆地下滑。在数据基础设施层面，Armbrust 等提出“湖仓一体”（Lakehouse） 架构，为统一管理多源异构数据提供了重要的工程参考。
2.4 总结
上述研究共同构成了本研究提出 A-LSP 框架的直接理论背景。在关于图书馆服务平台演进的研究中，已有文献对 LSP 从 ILS 到云原生平台的历史脉络进行了较为充分的描述，但鲜有研究前瞻性地探讨智能体驱动下的“去平台化”路径；在关于智能体技术赋能的信息服务应用研究中，现有成果多聚焦于单一功能模块的 AI赋能，缺乏从多智能体协作视角对图书馆整体架构进行系统性重构的理论分析；在平台化与去平台化的信息系统研究中，学者对 IT 行业的 SaaS 范式替代趋势已进行了较为充分的实证与预测，但这一产业逻辑尚未被系统性地映射至图书馆服务平台的范式演进的语境中。
本研究拟定位于上述三重缺口的交会处，以自主智能体重构 SaaS 的技术机制为理论切入点，提出 A-LSP 三层架构，并论证从“AI 就绪”向“AI 原生”跨越的战略路径，以填补图书馆学领域在智能体驱动的平台范式转型方面的研究空白。
3 知识生态的三重变迁：对图书馆运作逻辑的深层影响
图书馆领域的每一次技术转型，都是对知识生态变迁的响应。在讨论任何具体的系统架构演进之前，都有必要先在宏观层面厘清当前正在发生的知识生态变迁，以及这些变迁如何从不同层面动摇了现有 LSP 的存在前提。
3.1 知识形态的变化：从静态文献到动态数据流
传统图书馆的技术逻辑建立在一个稳定的假设之上，即知识的基本单元是“文献”，如一本书、一篇论文、一张地图，LSP 的元数据管理、发现系统的索引机制、馆藏政策的制定框架等均以“文献”为最小操作单位。然而，当知识的实际形态已经高度多模态化——涵盖视频课程、开源代码仓库、科学实验原始数据集、交互式生成文本乃至动态知识图谱，以文献记录为核心的元数据架构便逐渐暴露出结构性缺陷。
同样值得关注的是，GenAI 使知识形态产生了另一层变化：知识内容可以被大规模地重新加工与组合。大模型可以在数秒内把一本千余页的专业著作提炼为针对特定读者的个性化摘要，在语义向量空间中逐渐打破跨语种、跨学科的知识壁垒，知识的呈现方式从相对固定的文献单元向可按需重组的结构化内容转变。这一变化使得建立在“文献颗粒”之上的 LSP 索引与发现逻辑面临较大的适配压力。
3.2 知识生产的变化：边际成本趋零与质量验证的悖论
传统学术出版体系的内在逻辑是“稀缺性”：一篇高质量论文需要作者数年的研究积淀，经过严格的同行评审，其稀缺性凸显了文献的价值。但 GenAI 的普及则从根本上改变了知识生产的边际成本结构。当 GenAI 可在数分钟内生成一篇格式规范、逻辑通顺、引用丰富的综述文章时，出版量的指数级膨胀与质量鉴别极度困难之间的矛盾便被激化。这给图书馆提出了一个崭新的核心命题：在知识生产成本趋近于零的时代，图书馆的价值不再主要体现于“拥有多少资源”，而在于“能够辨别和担保多少高可信内容”，这是图书馆在生产关系层面最重要的角色再定位。
3.3 知识消费的变化：从检索式发现到生成式获取
在知识生态的变迁中，知识消费的变化是对现有 LSP 冲击最为直接的一项。大型商业搜索引擎的流量数据已经证明了一个清晰的趋势——用户正在从“基于关键词的文献检索”大规模迁移至“基于意图的答案生成”。对于图书馆而言，这一转变意味着联机公共检索目录 （Online Public Access Catalog，OPAC） 与传统发现系统的主动访问流量势必会持续下降——用户不是不再需要图书馆的知识资源，而是越来越不愿意为了获取这些资源而专门登录一个独立的平台。这正是“无平台战略”的现实出发点，也是理解“下一代图书馆服务平台是没有服务平台”这一观点最重要的用户行为依据。
3.4 总结
面对上述知识生态的三重变迁，图书馆消除信息鸿沟、促进知识公平的核心使命并未过时，而是被赋予了更为深刻的时代内涵。如今的“鸿沟”，已从是否能访问某一数据库，演变为是否能够有效使用 AI 工具、辨识算法偏见、平等接入高质量可信知识源的“认知鸿沟”与“算法鸿沟”。图书馆使命的内涵在深化，因此，承载使命的技术载体与服务逻辑必须随着知识生态的变迁而进行相应更新。
4 智能体对 SaaS 的结构性替代：图书馆技术架构的系统性重构
理解智能体为何能够从架构层面系统性替代 SaaS 模式，是把握“下一代图书馆服务平台是没有服务平台”这一观点的关键技术根基。
4.1 一个思想实验：当智能体遇见图书馆采访工作流
不妨以图书馆日常的采访选题工作为切入点，做一个思想实验。某高校图书馆的学科馆员需要完成年度计算机科学类图书采购书目清单，按照典型的工作模式，该馆员需要依次完成以下操作流程：登录多家出版商网站，逐一浏览新书目录；切换至 OPAC 界面，逐条核查馆藏重复情况；导出流通系统中近五年的借阅数据，并进行数据分析；参考学科带头人推荐意见；在文档中整理报告并上传至审批平台。整个工作流程横跨 4 至 6 个系统，包含 30 至 50 个独立操作步骤，用时需大半个工作日 （上述数据及下文智能体执行时间均为基于典型高校图书馆采访业务的经验性估算①）。现在，将同样的任务交给一个已经部署在图书馆内网环境中的自主智能体，通过自然语言发出“为本馆生成 2026 年度计算机科学领域新书采购建议，优先考虑馆藏薄弱领域，参考近三年借阅热度，预算不超过 20 万元”的指令。智能体接收到这条指令后，将自主完成以下工作：通过 MCP （Model Context Protocol，模型上下文协议） 调用出版商数据库 API，抓取新书目录并实时去重；并发查询馆藏管理系统，识别馆藏空白区域；从流通系统提取借阅数据，并调用代码执行器对借阅数据进行统计分析；根据学科分类权重与价格区间自动对推荐列表进行排序；生成包含可视化图表、价格汇总与分主题说明等内容的结构化采购建议报告，最后将专业报告推送至馆员工作台供其审核确认。整个工作过程需调用 40 至 60 次工具接口，耗时 15 至 30 分钟。
这 不 是 科 幻。2025 年 3 月问世的 Manus 智能体 （由北京蝴蝶效应科技有限公司开发）已经在商业领域展现了类似的端到端任务执行能力——接收高层目标、自主分解任务、调用多种外部工具、交付结构化成果。与此同时，以 AutoGPT、CrewAI、OpenHands 为 代 表 的 开源多智能体框架的快速发展，以及 Salesforce、ServiceNow 等企业级 SaaS 厂商向 Agentforce 等智能体平台的战略转型，共同印证了这一趋势。Bain & Company 的行业研究报告亦明确预测：自主智能体将系统性替代 SaaS 应用交互层。上述发展共同指向一个结论：当智能体能够自主完成工作流中的每一个操作节点时，“平台”作为人机交互界面存在的意义便会被极大弱化。
4.2 SaaS 范式的内在局限：行动负担的结构性转移
理解智能体对 SaaS 的结构性替代，需要先剖析 SaaS 范式的本质。SaaS 的底层逻辑是一种“工具出租+用户操作”的模式，软件供应商负责维护功能和数据，用户负责学习使用界面，输入精确指令，在各系统之间搬运数据和协调数据。换言之，SaaS 将行动的负担全部转移给了终端用户，用户必须主动进入系统，学习菜单逻辑，适应供应商预设的流程边界。这一模式在人力成本远低于 IT 建设成本的时代具有合理性，但随着用户时间成本不断攀升，跨系统数据流转摩擦不断积累，SaaS 的隐性成本日趋高昂——只是这部分成本被转移给了用户，未计入供应商的资产负债表。
而智能体能够从结构上改变上述成本分配方式。自主智能体能够接收自然语言表达的高层目标，通过思维链推理分解任务，借助工具调用机制与真实的数字系统进行交互——它将行动负担从用户端转移回来，转化为系统内部的自动化事务。这一转变在 IT 行业已有清晰的先例。Salesforce 曾是企业级 SaaS 标杆，其CRM （Customer Relationship Management， 客户关系系统） 因丰富的功能和用户友好的操作界面而广受欢迎。2024—2025 年，Salesforce 大力推进 Agentforce 平台，将越来越多的销售跟进、客户响应与数据录入工作交由 AI 智能体自主完成，结果是大多数销售人员不再需要每天登录 CRM 界面进行手动更新——智能体在后台持续运作，“界面”对于用户而言变得透明甚至多余。HubSpot、ServiceNow、Workday 等 SaaS 巨头的战略转型，都验证了同一个方向——应用层的 SaaS 交互逻辑正在被 AI 智能体接管，而底层数据存储与业务逻辑依然存在，但它们降级为后端基础设施，而非用户的日常交互入口。这一现象被业界形象地称为“界面隐身”。
4.3 从 IT 行业趋势到图书馆：A-LSP 架构的形成逻辑
上述 IT 行业的结构性变迁将对图书馆的系统架构产生深远影响。LSP 业务逻辑与企业 CRM 具有相似性，两者都是工作流密集型的后台管理系统，都需要操作人员在复杂界面中录入大量数据与驱动流程，且核心价值都在于对数据的结构化管理而非对界面本身的依赖，这意味着 LSP 同样高度适配智能体接管的逻辑。加之图书馆业务流程具有高度的结构化与标准化特征，每个业务步骤的输入输出都相对明确，因而图书馆场景是智能体“自主规划”能力的最佳试验场之一。
促成这一接管在图书馆场景落地的关键技术要素，是 Anthropic 于 2024 年底推出的 MCP。MCP 被称为“AI 时代的 USB 接口”，它为大语言模型与各类外部工具之间建立了标准化的连接协议，使得任何智能体都可以将图书馆的 OPAC、企业资源管理系统、流通数据库、知识图谱乃至外部学术评价接口统一封装为“可调用的能力单元”，即插即用。这一机制显著降低了编排跨系统智能体的技术门槛，使得长期困扰图书馆的“数据孤岛”问题有望通过智能体架构得到系统性解决。
在 MCP 的技术基础上，A-LSP 的架构轮廓已经清晰可辨，其逻辑由三个协同层次构成。① 兼容与工具层是 A-LSP 的技术底座。通过 MCP 将图书馆所有现存的系统接口 （无论是遗留的 ILS 数据库、开放的学术元数据 API 还是内部业务流程接口） 统一封装为标准化工具集。这一层不要求对旧系统进行大规模改造，而是在现有系统之上架设智能体可以直接调用的能力层，从而实现对既有基础设施的最大程度复用。② 编排与智能层是 A-LSP 的核心大脑。这一层部署多智能体协作框架，管理多个专属智能体 （采购 Agent、编目 Agent、参考咨询 A－gent、学科服务 Agent 等） 的生命周期，负责任务分发、进度追踪与跨 Agent 信息协调。当一项复杂任务被提出时，编排层自动分解任务并调度执行 （采购 Agent 负责获取与比对书目数据、编目 Agent 负责生成初步元数据记录、服务 Agent 负责将结果推送给相关馆员进行最终审核），整个过程无须人工干预即可自主流转。③ 应用与生态层是 A-LSP 面向用户的开放出口。图书馆将服务能力以开放 API 的形式提供给外部，允许第三方开发者或合作机构在此之上构建高度定制化的智能体应用，服务的触达方式从“要求用户登录图书馆门户”，演变为“智能体主动嵌入用户所在的任何数字场景”。
“没有服务平台”的深层含意，在 A-LSP 架构中得到具体体现：图书馆的服务能力并非消失，而是转化为“底层基础设施”，以 API、数据流与智能体插件的形式，主动融入用户所在的各类数字场景 （LSP 与 A-LSP 的对比见表 1）。如同电网不需要用户“登录”一样，图书馆服务的较高成熟度就是让用户可以在工作与学习场景中自然获取所需知识服务，而无须专门切换至图书馆系统。
表 1 传统 LSP 与 A-LSP 的范式对比
5 重新界定价值核心：未来图书馆的核心交付物
图书馆的服务逻辑需要根据技术架构的深层变革作出相应的系统性调整。本节拟回答整篇论文中最需要明晰的一个问题——在“无平台”架构下，图书馆向用户交付的核心价值究竟是什么？
5.1 旧模式的终结：从“访问权守门人”到“知识赋能者”
传统图书馆的核心服务模式本质上是资源垄断与访问授权的变体：图书馆投入大量资金购买数据库订阅权限，并为特定人群提供经过认证的登录通道。在这种模式中，图书馆扮演“访问权守门人”的角色，其核心价值在于“你能访问，别人不能”。
这一逻辑在信息稀缺时代具有无可置疑的合理性，但在 AI 时代，单纯依靠“访问权”定义自身价值的图书馆，将不可避免地走向边缘化。用户不是不需要知识，而是越来越不需要通过“登录图书馆数据库”这一特定路径来获取知识。未来图书馆的战略转型必须清晰——从“提供访问权”彻底转向“深度赋能与精准交付”，这不是对现有模式的局部修补，而是价值链定位层面的根本性调整。
5.2 明确交付物：四个层次
关于“图书馆交付什么”这一问题，必须跳出“资源访问”的思维定式，从用户真实需求出发重新定义，可分为四个层次。
5.2.1 第一层：结构化知识答案
未来图书馆的首要交付物，不是文献列表，而是针对用户具体场景的结构化应答内容。当一位医学研究者向图书馆智能体询问某类药物在儿科应用中的最新临床证据时，图书馆所交付的不应该是“找到了 312 篇相关文献，请点击查看”，而是经过跨库检索、质量筛选、证据分级等步骤，形成的一份标注来源清晰、指出证据强度差异的综合评估报告。知识由原始文献状态经过加工提炼，转化为可直接支持决策的结构化知识产品。本研究将此界定为：图书馆在明确用户需求的情境下，通过跨库检索、质量筛选与证据综合，所交付的带有完整来源标注、经过权威性验证的结构化知识产品 （如系统综述、证据分级报告、竞争态势图）。其边界在于必须依托权威文献，有别于大模型的自由生成；其可操作性在于附有可追溯的引用链接，可直接用于决策。这种加工能力，恰恰是大模型的核心局限 （大模型可以生成文字流畅的答案，但无法保证知识来源的权威性与可溯源性） 所在，而这正是图书馆不可替代的核心竞争优势。
5.2.2 第二层：机器可读的知识资产
这是图书馆在 AI 时代最具战略价值的交付形态。长期以来，图书馆所拥有的馆藏、权威元数据、经过专家标注的分类体系等资源，通常以“供用户阅读”的形式存在。未来，这些资源应以机器可直接处理的形式输出——语义向量供智能体进行相似度检索，知识图谱三元组供推理引擎进行关系推导，开放的学术 API 供外部智能体调用。总而言之，图书馆应当成为知识计算的基础设施供给者，而非仅仅是文献的存储展示者。
5.2.3 第三层：个性化的伴生智能体
图书馆为特定用户群体 （如某院系的研究生、某专业领域的研究员社区乃至特定个体）提供配置完善且具有持续学习能力的“数字馆员助手”。这个助手不是一个通用的聊天机器人，而是具有长期记忆、了解用户研究方向与知识结构、主动跟踪前沿文献并能够在恰当时机推送关键信息的“知识伙伴”，它的触达路径是用户日常使用的科研协作工具、即时通信软件或实验室管理系统，而非图书馆的门户网站。这种“伴生”性质，正是“无平台”策略在用户服务层面的具体体现。
5.2.4 第四层：可信知识的担保
在 AI 生成内容大量涌现、内容质量良莠不齐的背景下，可信知识的担保将成为图书馆最不可替代的交付价值。面对海量的 AI 生成内容，用户需要一个客观、权威、无商业利益驱动的内容质量评估机制，而图书馆经由长期实践积累的文献评价体系、参考咨询专业伦理和机构公信力，是商业 AI 平台普遍欠缺的信任资产。因此，图书馆的核心使命，不仅是提供知识，更是为知识的可信度背书。
5.3 馆员的角色演化：从“系统操作员”到“知识工程师”
交付物定位的调整，将给馆员职业角色带来相应转变。原本占据馆员大量时间的重复性操作任务 （如编目、数据库维护、馆际互借协调） 将逐步由智能体承接。与此同时，需要馆员深度参与的工作将向两个方向聚焦：一是“高价值的知识加工”，如学科服务、深度参考咨询、知识图谱的专家标注与质量审核；二是“AI 系统的驾驭与治理”，包括智能体工作流的设计、提示词工程、输出质量的伦理审核与数据治理。这是一个要求馆员同时具备人文关怀与技术素养的新型专业角色，可以称之为“知识工程师”。
6 数据图书馆：转型的底层基石
宏大的愿景需要扎实的基础设施来承载。上述四层交付体系，共同依赖于一个核心的基础设施前提——图书馆应从“数字图书馆”向“数据图书馆”演进。
6.1 两种图书馆哲学的本质差异
数字图书馆的建设哲学是将实体资源转化为可在线访问的数字替代品，核心在于“数字化”与“展示”——服务于用户的阅读与检索需求。数据图书馆的建设哲学则是将图书馆内流转的一切元素 （不仅包括文献本身，还包括流通行为数据、用户交互日志、书目关系网络、图像、音频与视频资源） 全部定义为可供机器大规模计算分析的数据资产，同时服务于 AI 的训练与推理。AI 的核心燃料是数据，而非文献；知识服务的价值上限取决于底层数据资产的质量与可计算性。这一认知的转变，是图书馆在 AI 时代最重要的建设哲学更新。
6.2 核心基础设施：统一数据湖仓
当前，横亘于图书馆向数据图书馆演进进程中的最大技术障碍并非 AI 算法本身的不成熟，而是底层数据架构的严重割裂。许多大型机构图书馆至今仍面临典型的“系统林立”困境：采购系统使用 A 厂商的关系型数据库，数字资源加工平台产生大量孤立的 MARC/XML 文件，发现系统又维护着另一套独立的全文索引，而流通系统的借阅日志则散落在完全隔离的存储空间中。这种割裂使任何依赖全局数据的 AI 应用都面临显著的工程摩擦。
破局的关键，在于构建统一的数据湖仓。湖仓架构融合了数据湖与数据仓库的双重优势：以数据湖的弹性与低成本，存储全量的多源异构原始数据，借助 Delta Lake 或 Apache Iceberg 等开放表格格式，嵌入数据仓库级别的事务保障与查询功能，使 AI 管道与 BI 分析工具能够并发、无冲突地访问同一份底层数据。对于图书馆而言，这意味着当产生一条流通记录时，智能体的实时分析功能将被同时触发，无须在多个系统之间执行耗时的 ETL （Extract－Trans－form－Load，抽取—转换—加载） 同步。实现真正的“单一可信数据源”是数据图书馆建设的首要基础。
6.3 人工智能驱动的数据加工流水线与知识图谱构建
在湖仓基础设施之上，数据图书馆的第二核心任务是建立 AI 驱动的数据加工流水线，以大语言模型取代脆弱的规则爬虫，实现新进资源的语义自动标引、跨语种实时翻译与核心实体的智能抽取，并通过持续运行的知识图谱构建流水线，将海量文献中的实体关系网络加载至图数据库。由此，图书馆从静态的“文献仓库”，演化为具有推理与关联能力的“动态知识网络”，这是支撑科研情报发现与学科纵深服务的关键基石。
6.4 分层推进数据图书馆建设
数据图书馆的建设必须因地制宜、分层推进，而非一刀切地要求所有图书馆同步完成全面重构。国家级与省级公共图书馆应优先建设统一湖仓与开放 API 生态，成为行业数据基础设施的供给者；地市级公共图书馆可优先引入云端托管的 A-LSP 服务，以较低的自建成本享受智能体带来的服务增效；高校图书馆与专业图书馆可通过联盟共建方式，共担数据基础设施的建设成本。数据图书馆的建设，并非要求所有机构同步完成全面重构，而是一个可以分阶段、分层次有序推进的系统性工程。
7 从“人工智能就绪”到“人工智能原生”：图书馆转型的战略路径
在战略落地层面，图书馆面临的最紧迫问题并非“要不要转型”，而是如何避免在错误的路径上错失转型窗口期。
7.1 认清“人工智能就绪”的局限性
当前，绝大多数宣称正在进行智能化升级的图书馆项目实际上停留在“AI 就绪”的改良主义阶段。这种模式的典型表现是在功能完备的传统 LSP 之外，外挂一个大语言模型驱动的对话机器人界面，或在发现系统的检索框上加装一层语义理解外壳，但系统的底层依然是数十年前的关系型数据库逻辑，业务流程依然依赖馆员的手动操作串联，数据依然分散于孤立的“竖井”之中。AI 在这里仅仅是一件“新外衣”，而非驱动系统的核心引擎。
AI 就绪模式的核心问题在于，它在形式上呈现出技术进步的迹象，而深层架构却缺乏实质性演进。每一个外加的 AI 模块都在积累技术债务——随着业务复杂度的上升，为维护各类“桥接层”而消耗的工程资源将越来越多，而真正的架构重构却因“已经有 AI 了”的自我满足而一再推迟。这种状况类似于在旧有系统框架上不断叠加补丁，操作体验虽有改善，但底层架构的局限并未改善。当真正的 AI 原生竞争者出现时，AI 就绪机构面临的问题，将不仅仅是追赶，而是架构层面的整体差距。
判断是否为“AI 原生”，其标准只有一个：将 AI 能力从系统中抽离，若整个系统彻底停止运转，则为 AI 原生；若仅是效率下降，则为 AI就绪。在 AI 原生的架构中，自然语言理解、语义检索、智能体编排是系统运转的核心机制，而非可以随时卸下的辅助功能。
7.2 通向“人工智能原生”的四维转型路径
图书馆若想实现向 AI 原生架构的跨越，必须实现以下四个维度的同步推进。① 基础设施维度。从传统按业务条块划分的孤立 IT 系统全面转向云原生的统一数据湖仓架构，并在核心层原生引入向量数据库引擎。这是一切 AI 原生能力的物质基础，不可省略。② 工作流维度。将核心业务流程重新定义为“由 AI Agent 原生执行的自动化微流程”，而非“可以被 AI 辅助的人工操作序列”，馆员的工作重心从操作系统迁移至监督智能体、处理异常情况、制定策略。③ 服务触达维度。从以门户网站为核心的服务触达模式，转向通过开放 API 与嵌入式插件的定制化智能体模式，将图书馆的知识服务能力内化于用户所在的各类科研、学习与生活场景中。④ 组织文化维度。技术的跨越最终落实于人的跨越，图书馆管理层需要将 AI 视为战略核心而非技术试验，系统性地推进全员 AI 素养重构 （从提示词工程的基本掌握，到对多智能体工作流设计逻辑的理解，再到对 AI 输出进行批判性评估的专业判断力），没有这一维度的跨越，前三个维度的转型都将因执行力的缺失而无法落地。
7.3 不可回避的外部约束：版权与伦理
在推进上述转型的同时，图书馆必须清醒地认识到两个关键的外部约束。① 版权与数据权利。图书馆在与学术出版商及 AI 平台进行授权谈判时，应积极主张将“机器阅读权即数据挖掘权”纳入谈判议程。需要指出的是，这一主张在不同法律体系中的法律基础存在显著 差 异 ， 如 欧 盟 《数字单一市场版权指令》（Directive 2019/790） 第 3、第 4 条设立了文本与数据挖掘 （Text and Data Mining，TDM） 例外条款，而现行的 《中华人民共和国著作权法》 对此尚无明确规定。因此，图书馆应在充分了解所在法域法律框架的前提下，积极将开放机器可读接口与本地 AI 训练许可纳入采购协议，以在智能化转型中合理保障数据主权。② 伦理与质量治理。图书馆应从架构层面对 A-LSP 系统的所有 AI 生成内容强制实施“带溯源引用的生成”，即每一条 AI 答案都必须附有可信来源的引用链接，以技术规范的方式捍卫知识生产的严肃性，这是图书馆区别于一般商业 AI 应用的伦理红线。
8 结论
本研究的主要发现可归纳为以下四点。其一，知识形态、知识生产与知识消费的三重变迁，从深层动摇了以“平台门户”为中心的 LSP 的存在逻辑，“无平台战略”是对用户行为变迁的理性回应而非技术虚无主义。其二，自主智能体借助 MCP 协议的标准化接口，具备系统性接管图书馆 SaaS 工作流中行动负担的技术可行性；A-LSP 三层架构为这一范式转变提供了可操作的过渡框架。其三，未来图书馆的核心交付物应转型为结构化知识答案、机器可读知识资产、个性化伴生智能体与可信度担保，其中可信度担保是图书馆区别于商业 AI 平台的核心竞争优势。其四，实现上述转型的底层基础是数据图书馆建设，核心工程是构建统一的数据湖仓并建立 AI 驱动的数据加工流水线。
本研究的理论贡献主要在于：在国内外图书馆学文献中，较早地、系统性地将自主智能体重构 SaaS 的 IT 产业逻辑移植并映射至图书馆服务平台的范式演进语境，提出了 A-LSP 三层架构这一前瞻性理论框架，并以“无平台战略”重新诠释了图书馆服务的未来形态。
本研究的局限性包括：第一，本研究定位为理论框架构建类研究，A-LSP 框架的有效性与可行性尚待实证案例研究的系统验证；第二，本研究对智能体技术可行性的论证主要依托已有的 IT 行业先例与逻辑推演，在图书馆场景中的实际落地数据仍属稀缺；第三，本研究重点关注高校图书馆与科研机构图书馆，其结论对公共图书馆和中小型图书馆的适用性有待进一步评估。
未来研究方向建议：开展基于实际部署案例的 A-LSP 原型验证研究；在 MCP 安全机制完善的基础上，探讨图书馆智能体的工程实现路径；针对中小型图书馆开展联盟共建 A-LSP 的可行性研究；对馆员向“知识工程师”角色转型的职业发展路径进行系统性研究。
9 结语：从有形平台到无形基础设施
技术演进史上有一个值得关注的规律，即最成熟的技术往往是最透明的技术。电网运作于用户的日常意识之外，却支撑着整个现代文明的运转；互联网协议无形无声，却是全球信息流通的基础设施。“下一代图书馆服务平台是没有服务平台”所揭示的正是这种技术发展的成熟形态——当智能体基础设施足够完善、当 A-LSP 的服务能力足够强大，“平台”这一有形的概念将在用户的日常使用体验中逐渐淡出，转化为一种无须刻意感知的知识服务环境。
知识形态在变，生产关系在变，服务载体在变，不变的是图书馆对知识公平与信息正义的守护承诺。消除认知鸿沟与算法鸿沟，在 AI 时代维系人类获取可信知识的平等权利，是比任何技术选型都更为根本的使命。图书馆应以开放的姿态拥抱变化，致力于成为滋养全社会科技创新与文化繁荣的数字知识基础设施，进入用户所需要的每一个场景，以服务的有效性而非入口的唯一性，证明自身存在的价值。
图书馆行业正处于 AI 就绪与 AI 原生的十字路口，前者是在现有架构基础上逐步添加 AI 功能，后者是以 AI 能力为中枢的系统性架构重建。历史经验表明，在技术范式更迭的关键节点，渐进式改良往往以“稳健”为名，使相关实践错失了根本性变革的机遇期。未来的图书馆不是一个系统，不是一个平台，而是一张覆盖广泛场景的智慧服务网络——以无形的基础设施形态，持续支撑人类的知识获取与传承。
注 释
① “4 至 6 个系统”“30 至 50 个独立操作步骤”“大半个工作日”“15 至 30 分钟”均为基于典型高校图书馆采访业务的经验性估算。典型采访工作流涉及出版商目录浏览、OPAC 查重、流通数据分析、学科专家意见征询及报告撰写等环节，各环节所需时间因馆藏规模、采购频次及系统成熟度而异，此处取其约数。
（参考文献略）