苗威、王一钒｜生成式人工智能在历史研究中的应用

点击蓝字 关注我们

辨章学术、考镜源流，整体把握研究对象的沿革，始终是历史学的一个核心旨趣。“历史学家最困难的任务之一是搜集他认为必须的资料。如果没有各种向导工具的协助，他几乎无法搜集资料，这类工具如档案馆和图书馆的目录、博物馆的名录、各种文献索引。”当下，数字媒介深刻重塑了人类阅读、写作与知识发现的方式， 以文献数据库为代表的数字化工具，已成为“史学研究必不可少的辅助手段”。

然而，历史问题的阐明并非一蹴而就，“论证中的每一步都有赖于提出一个问题”,注问题情境会随着史料互证、概念厘清以及知识体系化而不断调整，历史学者的信息需求亦会随之反复校准，并伴随考证推进而呈现出动态演化的结构性特征。它既可以凝聚为明确的检索目标，也可能因新线索、新问题的发现而变得发散且模糊。因此，历史研究中的信息需求更应被理解为“‘信息需求—检索—学习—认知建构—新的信息需求—……’的递归式螺旋上升过程”,注它不仅是信息的查询与匹配，更是研究过程中问题修正与阐释的一部分。以“汉籍全文资料库”为代表的历史学主流文献数据库，在技术与机制层面“过分重视系统的经济和技术效率，轻视用户效率”，注使其难以刻画查询背后的问题情境以及历史学者的真实意图，更难以处理模糊的信息需求。同时，历史研究依赖递进的证据链，但传统文献数据库对历史学家信息需求的静态假设，注以一次性查询与固定相关性为中心，无法对查询结果进行联想式扩展并再查询。因而，传统文献数据库较低的交互性与检索效率，已无法满足历史学者多样化、复杂化且动态演进的信息需求。

与之相比，生成式人工智能以“聊天机器人”形式进行开放性交互，将以规则为中心的独立查询转换为持续问答，能更好地适应“查询—论证—再查询”的历史研究与论证节奏；模型的语义理解能力更有利于深入把握历史学者的真实意图，处理模糊的检索需求，并“提供与用户查询高度相关的信息”；在文本生成能力与阅读器的加持下，基于检索到的内容，模型能够“更直观地组织答案文本，模拟人类获取信息的自然方式”,注生成以历史学者为中心的动态响应，这是展示候选文档列表不能企及的。在解决历史学信息需求的场景中，生成式人工智能并不以在历史书写与理论构建层面取代历史学者为目标，而是作为需求的理解者与研究的“智能研究导向工具”。 那么，模型如果能够生成更贴近人类表达、符合人类意图的响应，注同时在处理复杂任务时“涌现”能力，注便可以超越“很难具有人文属性”与“无法批判地看待过去，从历史中发现规律、创造理论”注等评价，具有值得期待的学术前景。

由此观之，历史学迫切需要、也是最有可能有效融入史学研究框架的生成式人工智能，并非是构建历史研究的论文生成器，而是通过对话澄清信息需求、拓展检索表达并呈现查询结果的“智能研究导向工具”。然而，即便ChatGPT与DeepSeek已能够指出《史记》苏秦传记的文献矛盾，注提出值得探究的新话题，注甚至已“成为一种新型的信息检索系统”,但历史学者仍倾向于以“汉籍全文资料库”等性能有限的传统文献数据库作为研究的核心辅助工具。一个重要的原因在于，历史学通古今之变与经世致用的价值取向，要求历史阐释在可追溯、可核验的史料链条上成立。布洛克指出：“所有能导致证据无效的毒药中，毒性最强的当属欺骗”。注但受模型参数化知识的偏差，以及生成阶段的错误解码与暴露偏差等问题影响，生成式人工智能在历史研究的任务场景中有出现“灾难性”幻觉问题的隐忧。它们可能会以看似正确的形式，将错误“隐藏在人工智能黑箱般的分析过程”注中，增加了模型生成内容的不可验证风险，导致历史学者难以在学术层面放手应用其知识背景与生成能力。

因此，就历史学而言，能够以“智能研究导向工具”嵌入研究范式框架的生成式人工智能至少要满足以下的“硬性要求”:在技术路径上，既要保留模型成熟的语义理解与文本生成能力，又要适应当前史学界普遍存在的计算、存储资源与高质量的标注数据不足的现实局限。在价值取向上，生成内容必须以史料与既有的研究成果为核心，并以符合历史学学术规范的引证格式注明出处；模型可以对问题作启发性的梳理与阐释，但对部分“文献不足征”或学界存在争议的问题，应呈现研究现状与分歧结构，并拒绝生成缺乏证据支撑的结论。

围绕上述目标，本文提出一条以检索增强生成为基本框架，并融合参数高效微调与测试时拓展的技术路径，实现生成式人工智能以“智能研究导向工具”的形式在历史研究中落地。考虑到个体研究者的知识储备难以覆盖所有的历史研究领域，但有效的技术方案在相似问题情境中往往具有较强的可复用性，本文选取中国东北民族政权高句丽(前37—668)——这一团队长期深耕的研究领域作为技术路径的应用范例。

（一）检索增强生成：让模型“有据可查”

检索增强生成是一种借助外部知识库提升模型生成内容准确性、相关性与可追溯性的方法。注以高句丽研究中的一个前沿与难点问题“邹牟(朱蒙)和王莽新朝所诱杀的高句丽侯驺是否是一个人”为例，检索增强生成不是让模型凭借内部知识生成研究资料，而是先在知识库中检索与该问题强相关的史料及研究成果，再把检索结果作为外部知识嵌入提示词，促使模型在生成过程中能够参考有明确来源的权威内容，从而在不改变模型参数的前提下，实现输出内容“形式多样性与内容精准性之间的平衡”。对历史研究而言，检索增强生成能够在一定程度上缓解因模型内部知识缺乏史学深度与专业性而导致的幻觉问题，并增强模型输出的扩展性、时效性与动态性。其技术流程可被拆分为三个核心模块：数据预处理、信息检索、响应生成。

数据预处理的核心目标是通过数据清洗、文本分割以及文本向量化等手段，将与高句丽相关的史料与研究成果构造成一个便于检索，并能精确回到出处的知识库。我们选取中华书局点校本“二十四史”,以及“正德本”《三国史记》作为基础史料；出于知识产权与学术伦理考量，仅收集团队成员公开发表的相关论文与专著等研究成果。经人工筛选与数据清洗后，得到与高句丽相关的史料、论文与专著等原始数据约300万字。

在如何分割文本才能“便于检索”这一点上，历史学者的直觉是：文本单元过大，检索过程容易将大量无关叙述一并召回；过小则又会破坏上下文的完整性，割裂连贯的逻辑链条。技术研究也呈现类似的发现：将大篇幅的文本，例如《三国志·魏书·高句丽传》,作为检索的信息单元会降低召回结果的相关性；并且在召回结果较多时，还可能会使提示词长度超出一定阈值，引发“中间信息丢失”现象，降低模型输出的质量。而以“句子”为粒度则可能造成信息碎片化，使模型的输出缺乏逻辑，甚至出现错误。因此，本文将原始数据按“段落”分割为文本块，以兼顾检索精度与语义完整，在此基础上采用BGE-M3注嵌入模型，将文本块编码为可进行语义相关性计算的稠密向量，与可用于词项相关性计算的稀疏向量，为二者分别构建索引并存入知识库，以供信息检索模块调用。此外，为满足史学研究对“出处可核验”的基本要求，我们设计了一组可追溯元数据，对每个文本块进行绑定，使检索结果能够精确定位到“文献—章节—页码—字符区间”,从而支持学术引用与复核。

信息检索模块的核心目标是从知识库中筛选出与研究问题最相关的top-K个文本块。注目前，最常见的检索策略是稠密检索与稀疏检索。对于“邹牟(朱蒙)和王莽新朝所诱杀的高句丽侯驺是否是一个人”这类问题，稠密检索能召回语义层面高度相关的文献记载与学术阐释，但可能会忽略词项层面更加匹配的内容；稀疏检索能对“邹牟”“朱蒙”“驺”“高句丽”等词项进行精准匹配，却难以发掘“騊”“句骊”等语义层面的相关内容。因此，我们采用混合检索的策略，将稠密检索在语义层面的相关性捕捉，与稀疏检索在词项层面的精确匹配相配合。

为进一步提高检索质量，我们在检索前引入“问题重写”机制，并对两类检索做差异化处理。对于稠密检索，问题重写侧重于识别问题类型、拆分子问题、适度扩展问题语义，将原问题转化为更完整、更明确的检索查询，以扩大语义层面的覆盖；对于稀疏检索，问题重写侧重于提取关键词并作同义、异体扩展，强化对“邹牟”“朱蒙”“驺”“高句丽”等词项的匹配，在不引入新史料的情况下提升检索召回率。在编码阶段，为避免因嵌入模型不同导致的向量空间偏移与相关性计算失真，注我们采用文本块编码阶段所使用的BGE-M3嵌入模型对重写后的问题生成稠密与稀疏表示，在稠密索引上执行最大内积搜索，在稀疏索引上依据每个词项的可学习稀疏权重执行全文搜索，以内积作为词项相关性得分，分别返回得分最高的top-K个文本块作为候选结果。

由于向量编码、索引结构、搜索方式等存在区别，稠密检索与稀疏检索召回的候选结果往往在得分、排序与内容等方面存在差异。这些差异反映了不同文本块在语义与词项层面，与问题的关联度存在区别。以特定算法或模型对两组候选检索结果进行重排序，综合利用差异内容所隐含的互补性关联信息，将与问题“最相关”的内容识别并凸显出来。然而，稠密检索与稀疏检索基于内积的评分量纲并不一致，通过归一化虽能将二者映射到相同的数值范围，注但这并不等价于它们代表同等意义的相关性。因此，本文先采用倒数排名融合算法，通过将文本块在两组候选结果中的名次与平滑系数按近似倒数加权后求和，得到融合排名评分，并按评分取最相关的top-K个文本块作为融合候选结果。倒数排名融合通过名次融合两组候选结果，虽然回避了得分量纲不一致的问题，但也不可避免地损失了得分所隐含的关联性强弱信息。因此，本文采用Qwen3-reranker-8B重排序模型，注对融合候选结果进行二次评分。该模型交叉编码器的架构，可以将问题与融合候选结果拼接为同一输入序列，能够在机制上“实现对二者词元级的共同理解”,注捕获更多语义层面的细节，并经可由概率映射直接得到相关性分数，实现了“融合召回的覆盖优势”与“精排判别的准确优势”的互补。

（二）参数高效微调：让模型 “像历史学者那样运用证据”

在本文的技术路径中，检索增强生成的响应生成模块需要完成的并非一般意义的问答任务：模型在生成过程中，要依据问题对检索到的文本块进行取舍，形成可核验的引证，为历史学者提供可采纳的证据支持，并在此基础上给出具有启发性的阐释。这既要求模型能够适配检索增强生成的工作机制，也需要其具备对史学范式的基本理解。在零样本情境下，仅依靠提示词难以稳定实现上述目标。

随着预训练模型的普及，通过微调使预训练模型适配特定任务场景的迁移学习范式成为主流。但随着模型规模的持续扩大，与预训练类似，需要更新模型所有参数的全参数微调策略受高昂的计算与储存成本限制，已逐渐失去可行性。事实上，大型预训练语言模型可以通过优化少量参数来有效驱动，由此产生了一系列用于模型调优的参数高效微调技术。依据更新参数在模型中引入位置或作用方式的不同，当前的参数高效微调技术大体可概括为基于增量、基于指定参数以及基于重参数化三种策略。在利用参数高效微调实现模型对特定任务场景适配时，应围绕具体目标进行针对性选择，并构建相匹配的训练数据。结合技术目标与现实成本约束，本文采用低秩适应的参数高效微调策略，并依据检索增强微调范式组织数据集，对生成式人工智能模型进行参数高效微调。

低秩适应是具有代表性的重参数化参数高效微调技术，其核心方法是冻结规模庞大的预训练参数，在Transformer架构模型“注意力机制”的线性变换中引入可训练的低秩矩阵；微调阶段，仅需更新低秩矩阵的参数，便可在显著降低计算与存储成本的同时，实现模型对特定任务场景的高效适配。参数高效微调依赖标注数据。检索增强微调范式的数据格式，可以被抽象为由“问题—证据—目标答案”构成的三元组。“证据”可由检索增强生成的信息检索模块从知识库中筛选并构建，而“问题”与“目标答案”本质上则相当于微调中常见的“指令—响应”数据，其构建涵盖发现问题至完整阐释的全过程。在通用知识问答领域，高质量的“指令—响应”数据往往通过众包的方式标注。对历史研究而言，学术问题的提出以及符合研究规范的阐释，需要专业的史学训练与深厚的史料功底，众包难以保证数据的质量。完全依靠历史学者进行人工标注，则会糜耗人力与时间成本，难以规模化推进。高质量标注数据的匮乏，已成为制约参数高效微调在历史学等人文社会科学领域取得应用的重要原因。近年来，利用生成式人工智能在精心设计的提示词模板约束下，合成用于微调的训练数据，逐渐成为解决人工标注数据匮乏问题的主流技术方案，并已在依赖文献进行研究的任务场景中展现出应用价值。我们立足高句丽研究，确立提出问题、校勘史料与具体阐释的规范，通过API调用DeepSeek-V3.2合成包含问题、证据以及目标答案的样本；随后再由人工从学术意义、内容相关性、格式规范性、阐述准确性以及拒答情形合理性等方面，进行精细校对与质量控制，最终获得1472条可用于参数高效微调的训练数据。

（三）测试时拓展：让模型 “多轮核对、不断反思”

需要强调的是，低秩适应主要改变的是模型内部知识的调用与组织方式，而非注入新知识。因此，模型能力的客观边界依然存在。面对 “邹牟（朱蒙）和王莽新朝所诱杀的高句丽侯驺是否是一个人” 这类本就存在争议的历史问题时，即便经过参数高效微调，但囿于模型推理能力的局限以及生成过程中对内在一致性的偏好，仍可能使其在单次输出中难以同时容纳互相冲突的学术观点。因而，仅选取并陈述某一角度的研究论证链条，无法呈现完整的研究现状。

在以准确性为前提的认知过程中，人类面对复杂、强争议性的问题时，往往会投入更多轮次的审慎思考，以获得更优结果。受此启发，人工智能领域提出测试时拓展技术：在模型推理或生成阶段为同一个输入投入更多计算时间、采样次数、验证轮次，以提升输出准确性与可靠性。该类方法能够显著激发模型的问题解决能力，已在数学、编程等专业推理任务中实现了重大突破，也在开放域问答等通用任务中取得了显著进展。

在探讨测试时拓展技术如何具体应用于历史学的 “智能研究导向工具” 前，我们先关注一个在实践中极为普遍的现象：在不允许参考历史对话的前提下，多次向豆包提问 “邹牟（朱蒙）和王莽新朝所诱杀的高句丽侯驺是否是一个人”，模型各次回答的引证与结论存在明显差异。这表明，多次生成往往能覆盖单次生成难以兼顾的细节与视角，若能把对最终回答有所裨益的细节差异汇聚到同一输出中，就可能提升模型输出的可靠性。因而，测试时拓展的关键便可转化为如何有效捕捉不同输出中有价值的差异。

捕捉模型输出内容的细节差异是人工智能领域 “模型评估” 的技术目标之一，以领域专家进行评估虽然是可靠的 “黄金标准”，但我们无法把历史学者 “组装” 进人工智能的输出流程，高昂的成本也使得规模性的评估不具备可行性。随着预训练规模的不断扩大，研究者借助生成式人工智能强大的语言能力对模型输出进行机器评估，成为高效的替代方案。参考上文观察的现象以及学界的相关研究成果，本文提出 “群体比较优化” 策略，以推动测试时拓展技术在 “生成式人工智能应用于历史研究” 这一场景中落地。

群体比较优化基于一个简单的观察。对于 “邹牟（朱蒙）和王莽新朝所诱杀的高句丽侯驺是否是一个人” 这一问题，当生成式人工智能模型评估甲、乙两个答案时，肯定性评价往往止于简短断言，如 “答案甲对某证据的分析是正确的”。而否定性评价更倾向于对 “错误” 进行具体描述，并对其缘由进行补充解释，如 “答案甲的核心推断是《逸周书》中‘高夷’即高句丽先民，因此先秦已有该族，但‘高夷’与高句丽的等同关系并没有用可检验的学术论证支撑”。也就是说，否定性判断往往包含更详细的推理信息。因此，对模型多次输出内容有效细节的捕捉，可以转化为对不同答案进行批判性 “反思”，最简单的示意如 “与答案乙相比，答案甲的不足之处是什么”；收集的否定性判断越多，模型最终可用以优化输出的群体比较优化信息也就越全面。

最终，在检索增强生成框架的基础上，经由参数高效微调以及测试时拓展技术的优化，本文以生成式人工智能模型（Qwen3-32B 模型）为核心构建了历史学的 “智能研究导向工具”。为验证该技术路径的有效性，我们选取 “高句丽与貊有什么关系” 这一中国东北史学界长期讨论，且没有出现于参数高效微调训练数据中的问题进行测试，模型所组织的相关文献及生成的启发性阐释部分摘引如下：

[3]

原文：最后还要肯定，“梁貊” 应是最晚融入高句丽族的貊人，梁貊的分布区是今太子河（古称 “大梁水”）上游一带。

出处：（刘子敏：《高句丽族源研究》，《社会科学战线》2002 年第 5 期。）

……

因此，根据现有证据，最多可以确定 “貊” 人群曾融入高句丽，且 “貊” 等称谓在部分文献中可指代高句丽；但不能确定高句丽的族源 / 本质就是 “貊族 / 貊系民族”。（证据 [3]、[5]、[6]）

并且，我们做另一则验证：保持其他内容不变，仅将该轮输出所对应提示词中的问题修改为 “高句丽与夫余有什么关系” 后，模型给出如下答案：

[1]

原文：因为第二玄菟郡建立的主要目的是防备汉郡之外的其他民族（如夫余）的侵袭。

出处：（苗威：《关于秽、貊或秽貊的考辨》，《社会科学战线》2010 年第 8 期。）

证据仅能表明 “夫余” 被举例为汉郡之外需要防备的 “其他民族” 之一（见证据 [1]），但并未提供任何关于 “高句丽与扶余” 之间关系（如族源关联、政治从属 / 继承、历史互动事件等）的直接信息，因此无法回答两者 “有什么关系”。

为进一步阐明本文技术路径的有效性，我们通过 API 调用 DeepSeekV3.2 模型，基于相同的检索增强生成框架，同样以 “高句丽与貊有什么关系” 进行提问，其生成内容摘引如下：

1.有证据表明，一些被称为 “貊” 的部落融入了高句丽。例如，证据 [1] 指出 “小水貊” 是最早融入高句丽的，证据 [4] 指出 “梁貊” 是最晚融入高句丽的貊人。这显示高句丽的形成过程中包含了貊人成分。

首先，应当肯定最早融入高句丽的应当是 “小水貊”。（来源：[1]，刘子敏：《高句丽族源研究》）

……

显然，就摘引内容来看，由于缺乏参数高效微调与测试时拓展两个技术环节，即便在相同的知识库与信息检索模块协助下，DeepSeek 的生成内容仍无法以明确且清晰的形式呈现研究资料，同时也无法按照史学规范注明文献来源。并且其输出中存在 “1” 与 “证据 [1]”“证据 [4]” 两类不同的编号体系，而后者实际上来源于检索增强生成流程中嵌入提示词的混合检索召回内容。这些本应仅限于推理阶段使用的背景信息出现于模型最终的输出中，严重损害了生成内容的可读性。由此可见，就提升模型生成内容的可靠性、可读性与学术规范性而言，本文的技术路径是行之有效的。

上述对比性例证初步表明，本文提出的技术路径能在一定程度上实现历史学者对生成式人工智能的 “硬性要求”：在对历史学者关注的问题进行阐释时，模型能够根据具体问题，从信息检索模块召回的研究资料中，依照原文逐字提取、呈现符合学术规范的引证，并以之为基础生成启发性的阐释文本；对于证据不足或存在学术争议的问题，模型能够避免生成草率的结论性内容，并给出潜在的补证路径，以梳理学术脉络并启发可能的研究突破点。

为进一步验证该技术路径在历史研究场景下的稳定性、能力边界与风险类型，我们以 “‘高句丽族’是否先于‘高句丽县’产生” 作为切入点，将本文的技术路径与 DeepSeek-V3.2 与 Doubao⁃Seed-1.8 两种国内历史学者常用的生成式人工智能进行横向比对。设置的示例问题亦是中国东北史研究的前沿与难点，且未出现于参数高效微调的训练数据中。

参与对照的两种主流生成式人工智能，在应用端采用的工程路线并不透明；且豆包为闭源模型，其公开文档未披露具体参数规模与关键技术细节。因此，横向比对过程无法结合相关信息进行针对性评价，仅能对模型生成内容结合人工评估与基于人工智能的机器评估两种策略，进行以质量为中心的经验性比较。同时，为尽可能贴近历史学者在学术实践中的使用情况，我们采用常规的交互方式（DeepSeek 为网页端，豆包为 1.87.7 桌面端），允许联网搜索，并开启 “深度思考” 模式。在提问环节，对于本文的技术路径，仅给出具体的学术问题，不附加额外任务描述。鉴于 DeepSeek 与豆包缺乏历史研究场景的任务适配，我们为二者构建了如下的提示词以明确任务目标与规范输出格式：

基于史料和相关学术成果，回答 “‘高句丽族’是否先于‘高句丽县’产生”？要求史料必须与原文完全一致。学术成果必须是学术专著与研究性论文，引用其中的观点时必须进行直接引用。在返回结果之前必须核对引文和参考文献。回答的结构应为：## 任务推理:，## 引用内容 (以中国历史研究院期刊方阵的标准脚注方式标注引用与具体页码):，## 问题答案:。

答案生成过程均以单轮对话的形式进行，禁用了豆包的记忆功能（DeepSeek 网页端不具备相应的功能），以避免历史对话对模型生成内容产生影响。对参与比对的模型分别采样三次输出结果，以降低答案生成过程的随机性与偶然性。对照评估主要围绕生成内容是否有符合历史学学术规范的可溯源引证、引证与历史阐释间是否存在逻辑关联、对同一问题的多次阐释在结论上是否一致，以及是否会在缺乏依据的情况下拒绝给出结论性断言等维度，衡量引证部分与问题答案对相关研究的帮助性，并剖析其中可能存在的模型幻觉与对齐问题。DeepSeek 与豆包的部分生成内容摘录如下：

“武帝灭朝鲜，以高句丽为县，使属玄菟。” 出处与背景：此句出自《后汉书・卷八十五・东夷列传・高句骊》。该记载明确了西汉武帝在元封三年（公元前 108 年）灭亡卫氏朝鲜后，在其故地设置四郡，并将 “高句丽” 作为县级行政区划，隶属于玄菟郡。这是 “高句丽县” 出现于历史记载的最早、最权威的文献依据。（DeepSeek）

《汉书・地理志下》：“玄菟郡，武帝元封四年开。县三：高句骊、上殷台、西盖马。” 班固自注：“高句骊，莽曰下句骊，属幽州。”（豆包）

杨军：《高句丽民族与国家的形成和演变》，北京：中国社会科学出版社，2006 年，第 25 页。（豆包）

孙玉良：《高句丽族源新探》，《社会科学战线》1990 年第 3 期，第 187 页。（豆包）

上述摘录的生成内容存在四类明显问题：首先，模型无法稳定地根据提示词的约束，以符合史学规范的标准脚注格式，给出包含出版信息、页码等可溯源内容。其次，对史料处理草率而武断。一方面，DeepSeek 由《后汉书》记载所得出的结论是错误的，最早记载 “高句丽县” 的文献为《汉书・地理志》。另一方面，仅依凭 “武帝灭朝鲜，以高句骊为县，使属玄菟”，便得出 “在其故地设置四郡” 的结论，这一逻辑链条存在明显的证据缺口。再次，对史料的直接摘引存在错误。豆包对《汉书・地理志》的引证内容存在严重错乱缺漏，不仅将注与正文混为一体，而且作为直接引语，所引内容并不完整，玄菟郡后缺漏户口数，而高句骊、上殷台、西盖马三县之后各自的注也皆缺略。另外，对当代研究的状况介绍不准确，甚至存在杜撰，例如杨军《高句丽民族与国家的形成和演变》第 25 页并无豆包所引内容；《高句丽族源新探》不仅不见于《社会科学战线》1990 年第 3 期，甚至 “中国知网” 中也无法检索到相关论文。

与之相对，本文 “智能研究导向工具” 的技术路径，将模型输出的引证内容组织为 “原文引用 + 文献来源” 的简明形式，并杜绝在引证部分引入具体的阐释与解读，其目的是便于历史学者审阅引证内容，并核验其真实性与准确性。由于充当引证内容的背景信息来源，是基于权威版本的史料与专业学术论文构建的知识库，这一机制在底层数据上有效缓解了类似 DeepSeek、豆包在依赖模型内部知识，或在缺少来源筛选的情况下引入非学术性的互联网资料时，而引发的模型幻觉问题。同时，预设的提示词模板与参数高效微调共同约束了生成策略，模型能够在一定程度上选择性地运用背景信息，避免了生成阶段罗列大量在历史阐释过程中未被使用的内容，不仅提升了引证与阐释的相关性，也有效提高了历史学者的信息获取效率。

就问题答案而言，鉴于 “‘高句丽族’是否先于‘高句丽县’产生” 在学界尚无定论，因此 DeepSeek 与豆包对于该问题的阐释同样存在明显的不稳定性。DeepSeek 的两次结论性观点均认为，“高句丽族” 早于 “高句丽县” 产生，而豆包则相反。由于在提示词中约束了引证部分的存在，出于对生成内容内在一致性的考量，DeepSeek 与豆包的每次回答，均在引证内容与问题答案间构造明确的单向论证链条，导致其问题阐释过于绝对，无法指出学界对相关问题的争论。相比之下，在本文技术路径的三次回答中，由于模型通过基于群体比较优化的测试时拓展策略，从多次生成结果中获取批判性内容作为生成过程的参照信息，模型均不做结论性断言，而是指出：“现存史料与学术研究成果能确定‘高句丽县’在文献中被记为玄菟郡属县，但缺少一条可无歧义证明‘高句丽族’在置县之前已独立出现并可确切断代的关键证据。” 其生成内容的学术审慎性就示例问题而言明显优于 DeepSeek 与豆包。

由于引证部分存在明显的模型幻觉问题，DeepSeek 与豆包建立在相关内容上的历史阐释显然存在事实性错误，继续从学术性层面衡量模型生成内容的优劣已无实际意义。同时，考虑到学术观点本就存在主观性，以人工的方式进行评价也有失客观。因此，本文将不同模型输出的评估环节，转变为利用生成式人工智能从启发性与帮助性的层面，评价三组答案。为避免模型对自身生成内容的潜在偏好，我们选择 ChatGPT-5.2thinking 进行基于生成式人工智能的机器评估，部分评估结果摘录如下：

智能体 A（DeepSeek）：材料堆得足，但 “论证链条” 偏直线、偏乐观

智能体 B（豆包）：概念意识最好，但证据使用最不规范、混入低可信来源

智能体 C（本文的技术路径）：证据最可检验、对争论最诚实，且能指出下一步怎么做……

最优选择：智能体 C。原因归结为一句话：它在 “证据 — 推论 — 不确定性” 三者之间的边界画得最清楚，因此最能帮助你把问题做成 “可检证、可写成论文” 的研究，而不是只产出一个立场鲜明的结论。

审视当前历史学与信息技术既有的融合实践，我们发现，对主要从事史料考据的历史学者而言，信息技术在历史学领域最显性的应用形态，与它所引发的范式变革，都聚焦于以信息检索系统为代表的研究资料获取方式的转变。借助生成式人工智能这一当下最前沿的信息技术，优化历史学领域已滞后于时代需求的信息检索系统，不仅契合技术演进的内在逻辑，也具备显著的学术意义与现实应用价值。ChatGPT 对于构建历史学 “智能研究导向工具” 的路径价值的肯定，也正是本文所倡导的范式转变的核心：利用生成式人工智能的语义理解与文本生成能力，通过提供具有高相关性与真实性的史料与学术研究成果，以及具有研究启发与帮助性的梳理内容，本质上不是通过技术的加持使人工智能 “取代” 历史学者阐释并书写历史，而是致力于将历史学者与历史知识库间原本基于词项与规则的匹配，经由人工智能这一新时代的 “黑箱”，转化为更加高效且富有交互性的 “人智认知” 互动，从而在一定程度上将历史学者的精力，从史料辨析与观点梳理等前期工作中解放出来，更好地聚焦于问题的提出与思辨阐释。

从金石铭刻、泥版汗青到数字编码，一路走来，历史学始终秉持着 “其命维新” 的使命担当。事实上，在 ChatGPT 掀起这场影响深远的人工智能浪潮前，学界已不乏通过命名实体识别、关系抽取等下游任务场景，探索人工智能模型在历史研究中的潜在价值。然而，由于彼时技术的局限，加之人工智能对数学与编程能力有较高的需求，相关探索成为少部分研究者 “卡拉 OK 式的自娱自乐”，历史学界整体处于 “观望” 的缺位状态。因此，在生成式人工智能普惠各学科、学术研究加速向人机协同转向的过程中，历史学尚处于范式思辨多于实践探索的阶段。历史学者希望融入时代的浪潮，但无论是工具层面还是范式层面，皆难以在现有框架中为生成式人工智能找到合适位置。

历史学与人工智能的有效交融应是一场双向互动，历史学者对技术变革的主动拥抱与切实投入是冲破瓶颈的关键。众所周知，数据库与地理信息系统之所以能够与史学研究高度契合，并非技术界的自觉，而是历史学者的主动推动。正如数字人文开创者罗伯托・布萨所言：“在无人协助的情况下，除去筹措资金之外，我还必须开发并测试一种前所未有、缺乏先例的方法，并且不得不使用一项在持续演进中的技术。”历史学界不能期待技术界在优化模型架构与训练策略的同时，还能通晓历史学的学术规范与价值需求。通过实践我们看到：历史学者能够凭借自身的史学素养，通过设计数据标注规范与构建高质量的史学领域数据集，主动参与到技术的生产环节。人工智能在史学研究中的落地，必须以历史学的实际问题与研究需求为出发点，而提出问题、澄清标准及界定需求，只有专业历史学者能够胜任。

当历史学者着手应用人工智能时发现，其所面对的核心挑战，与人工智能研究者通过检索增强生成、参数高效微调与测试时拓展等技术路径所追求的目标不谋而合 —— 即缓解生成式人工智能在垂直领域的模型幻觉与对齐困难，使之实现高效的场景适配。这一契合使人工智能与历史学的交叉融合回归了双向互动的本位：历史学者设计与标注数据集，并思考史学领域 “人工智能 +” 的现实需求，本质上是在人工智能的范式下，对历史知识的组织方式与应用方法进行反思与重构。同时，历史研究是一切社会科学的基础，历史学者构建的专业数据标注规范与数据集，以及所澄清的切实技术需求，不仅是人工智能落地史学应用的 “最后一公里”，也会为其在人文社会科学领域更深入、更广泛的应用提供引领与示范。