智慧图书馆AI馆员应用白皮书（征求意见版）简介
2025年09期【特别报道】
供稿支持：深圳市海恒智能科技有限公司
9月4日，由上海图书馆（上海科学技术情报研究所）、深圳市海恒智能科技有限公司、智慧图书馆技术应用联盟（即云瀚联盟）联合撰写的《智慧图书馆AI馆员应用白皮书》（征求意见稿V0.9）正式对外发布。该白皮书系统阐述了AI馆员在智慧图书馆中的角色定位、能力结构、系统架构与实践路径，旨在推动AI技术在图书馆场景中的落地应用与创新发展。
白皮书发布背景
当前，图书馆面临三重挑战：一是用户需求升级，读者希望获得个性化推荐、全流程指引和跨平台的无缝体验；二是人工能力不足，高峰期排队、非服务时段空白、重复性咨询消耗大量人力；三是智能供给断层，传统FAQ机器人和关键词检索已无法满足复杂多变的场景需求。在此背景下，融合大模型、知识检索与系统协同能力的智能体应运而生，成为模拟一线馆员服务的 “AI馆员”。
白皮书主要内容
什么是AI馆员？AI馆员不是“问答机器人”，而是类馆员智能体，它能够理解复杂语义、调用多源资源、生成个性化回答，并通过对接借阅系统、活动报名、空间预约等业务，实现从“能回答”到“能办事”的跨越。AI馆员能听懂需求、找到答案、引导流程、完成操作。它既能7×24小时在线答疑，也能打通业务系统，实现“从理解到行动”的跨越。
1、核心能力结构
AI馆员的五大核心能力：信息理解与语义解析、信息检索与内容匹配、规则应答与流程引导、个性化感知与生成，以及服务行为记录与优化。
2、系统结构
在技术层面，AI馆员可通过“三层架构”保障可用性和可拓展性：（1）管理服务层：负责与借阅、活动、认证等系统对接；（2）智能决策层：以大模型为核心，结合RAG检索和Function Call完成任务；（3）用户交互层：通过语音、文字、多模态实现自然交互。
3、多模型协同架构与系统融合
为兼顾性能、成本、响应速度与准确性，AI馆员系统普遍采用多模型协同架构，主要包括：通用大模型（LLM）、插件/函数模型（Function Units）、检索式问答模型（RAG或Embedding匹配）以及轻量任务模型（小模型/微服务模型）。
为实现认知智能与事务服务一体化，AI馆员需与图书馆现有系统深度融合，集成机制分为两类：（1）基于接口协议的系统连接（2）MCP协议与中间件式融合策略。
4、部署前评估
白皮书指出，AI馆员系统需通过科学的结构化评估体系进行持续追踪与优化，涵盖技术性能、用户体验与服务价值等维度，以全面衡量其实际应用效果。本文提出的AI馆员评估指标体系，适用于不同类型图书馆在试运行、正式部署与后期运营过程中的效果量化与优化方向指导。
5、部署模式与落地实施
部署模式上，图书馆可选择公有云、私有云、本地或混合，其中混合部署因兼顾安全与成本，正成为区域级平台和大型图书馆的首选。
（1）在选择AI馆员系统部署模式时，若图书馆拟采用本地部署或混合部署方式，则需同步考虑模型运行所需的软硬件环境与相关配套资源。
（2）AI馆员系统在处理读者提问、调用图书馆系统接口及生成内容的过程中，将不可避免地涉及到用户数据、服务规则与业务行为边界。
（3）为确保系统顺利落地并具备实用价值，图书馆需结合自身业务场景，循序渐进地构建AI馆员的“内容输入”与“系统支撑”，形成完整的智能服务基础。
6、AI馆员服务效果评估
白皮书提出“技术性能维度、用户体验维度、服务价值维度”三维AI馆员评估指标体系，适用于不同类型图书馆在试运行、正式部署与后期运营过程中的效果量化与优化方向指导。
7、国内外实践案例
当前诸多实践案例显示，AI馆员已取得显著成效。例如上海图书馆AI馆员助手、深圳图书馆“布小智”AI馆员、澳门城市大学图书馆“城大书僮”、上海交通大学图书馆“交小圕”等等。
“布小智”常见问题智能应答
未来，AI馆员将朝三个方向持续演进：多模态融合，实现语音、图像、视频等更自然的交互方式；主动推荐机制，从“被动响应”转向“智能陪伴”；跨馆协作机制，构建区域及联盟级的协同服务生态。AI馆员将与人类馆员形成协同关系。由AI馆员承接高频、标准化、全天候任务，人工馆员聚焦于人文关怀和深度咨询。智慧图书馆将迈入“人机协同、智能服务”的新阶段，推动知识服务向更加普惠、高效的方向发展。
点击阅读白皮书全文，反馈意见请发送至calsp@libnet.sh.cn