AI 会取代图书馆员与档案员吗？| 图书馆员与档案员 AI 工作流手册

图书馆员与档案员：人工智能如何重塑信息管理与文化保护

角色概览

图书馆员与档案员负责管理、保存并提供对信息集合、历史记录和文化资料的访问，其工作横跨学术机构、公共图书馆、政府机关、博物馆、企业档案与特藏部门。他们的职责涵盖编目与元数据创建、参考咨询服务、馆藏发展、数字保存、档案管理以及用户教育。在学术环境中，他们凭借特定学科专长与信息素养指导为研究提供支持。在档案领域，他们评估历史价值，依据来源原则整理馆藏，并编制可揭示资料的检索工具。企业档案员则为合规与机构记忆管理组织记录。这一角色需要深入掌握分类体系（MARC、都柏林核心、EAD）、保存标准、版权法律，以及日渐增多的数字资产管理系统。与安静盖章的刻板印象不同，现代图书馆员与档案员是架接模拟与数字世界的信息架构师，常常在管理脆弱实体材料的同时，运维着达到TB量级的数字仓储。

AI 如何重塑这一角色

AI 正从根本上改变图书馆员与档案员大规模处理、著录和呈现馆藏的方式。光学字符识别（OCR）与手写文本识别模型如今已能转录手稿藏品——若以人工方式完成，这些工作需耗时数十年——让此前无法访问的资料变得可检索。计算机视觉系统通过识别物体、地点，甚至借助面部识别辨识个人，自动为照片添加标签，尽管这在档案语境中引发了伦理顾虑。自然语言处理（NLP）根据文献内容生成元数据和主题标目的草稿，档案员随后审阅修订，而无需从头创建。大语言模型（LLM）通过整合机构知识库中的答案来辅助参考咨询服务，但图书馆员必须核实准确性并注明来源。基于 AI 的发现层运用语义搜索，即使用户不掌握精确术语，也能呈现相关资料，从而突破单纯关键词匹配的局限。自动化馆藏分析能识别重复件，通过检测格式老化程度评估保存风险，并标记需要修护关注的材料。这一转变的实质是从手工逐件著录，迈向 AI 辅助批量处理，人工监督则聚焦于质量控制、语境解读，以及就优先数字化与著录对象做出合乎伦理的决策。

AI可自动化的任务

元数据生成：从数字对象中提取基本的描述性元数据（日期、格式、文件类型），并根据内容分析推荐主题词
OCR与转录：将印刷文本和越来越多的手写文档转换为可搜索文本，对清晰材料准确率可达95%以上
图像标记：利用计算机视觉识别照片收藏中的物体、场景、建筑特征和服装风格
重复检测：跨大型数字仓储查找相同或高度相似的项目以消除冗余
格式识别：自动检测文件格式、版本和技术元数据，用于数字保存工作流
引文提取：从文档中提取书目信息，生成参考文献列表并识别相关材料
日常参考咨询：通过聊天机器人回答关于开放时间、政策及馆藏基础信息的常见问题
架位读取：利用RFID和计算机视觉识别错架图书和库存差异
保存环境监测：扫描环境传感器，标记存储区域的温度、湿度或光照暴露问题
版权状态评估：通过分析出版日期和作者逝世日期估算版权期限，但仍需法律审查

价值不断提升的技能

AI输出评估：在发布前，批判性地评估机器生成的元数据、转录文本和主题分类，确保其准确性、无偏见且适用
面向文化遗产的提示工程：精心设计有效查询，从基于通用语料训练的AI系统中提取有意义的信息，并将其适配到专业档案词汇中
合乎伦理的AI治理：围绕照片档案中的人脸识别、发现系统中的算法偏见，以及AI处理敏感资料时的知情同意等问题制定政策
数据建模与本体设计：创建结构化框架，让AI系统可资利用，同时恪守原始顺序和来源等档案原则
数字保存策略：随着AI生成内容进入馆藏，系统理解格式迁移、仿真和长期获取等挑战
情境化阐释：提供AI无法推断的历史、文化和社会背景——解释某一馆藏何以重要、缺失了什么、哪些群体的声音被忽略了
用户体验设计：设计将AI驱动的搜索与传统查档工具相结合的发现界面，让用户能够理解并信赖
专业领域素养：在地方史、珍本、企业档案等领域拥有深厚的领域知识，使图书馆员/档案员得以运用专家判断，评估AI建议
社区参与：与捐赠者、研究者以及可能因算法优先排序而被低估的未充分代表社群建立关系
信息素养教育：帮助用户批判性地评估AI生成的内容，理解算法搜索结果，并识别深度伪造或被篡改的历史资料

重要性降低的技能

手工编目速度：当AI生成的是需要审核的草稿而非从零创建时，快速手工创建MARC记录或检索工具的能力便不再那么重要
精确分类记忆：当系统可自动推荐分类时，对杜威十进分类号或国会图书馆分类号的深度记忆就变得不那么关键
手写转录：用于解读历史手稿的古文字学技能在质量控制中仍有价值，但劳动密集型的转录工作本身正日益自动化
常规参考咨询技巧：处理方向性问题或基础研究查询的照本宣科式方法，已被AI驱动的虚拟助手承担
物理处理速度：当数字替身由AI并行处理时，为文件夹贴标签、编制箱单和线性排列的手工速度便不再那么重要
机械性元数据录入：向数据库重复键入描述性字段，已被批量导入AI生成的元数据并辅以人工抽检所取代
卡片目录维护：与实体卡片目录系统相关的遗留技能已经过时，就连传统的联机公共目录（OPAC）管理也正让位于AI增强的发现平台

该行业当前的AI应用情况

AI的采用情况因机构规模和资金状况差异极大。大型学术图书馆和国家档案馆正在大规模部署AI——美国国家档案馆利用机器学习对总统档案中的邮件进行分类，大英图书馆每年运行可处理数百万页文档的OCR流水线，各大学图书馆则部署了如Ex Libris Primo或OCLC WorldCat Discovery这类由AI驱动的资源发现层。中型机构则采用Alma或ArchivesSpace等图书馆集成系统（ILS）中内嵌的、由供应商提供的AI功能，而不会自行构建定制模型。小型公共图书馆和资源匮乏的档案馆则严重落后，受限于预算、技术专业知识以及对供应商锁定的担忧。逐渐获得应用的具体工具包括：手写文本识别工具Transkribus、用于图像分析的Google Cloud Vision API、用于元数据增强的OpenAI模型，以及用于AI辅助数字保存的Preservica或Archivematica。像美国数字公共图书馆这样的联盟项目会汇集各机构的元数据，并利用AI对不一致的编目进行规范化处理。阻碍主要集中在准确性担忧（AI可能错误标记敏感材料）、伦理问题（在边缘化社群档案中使用面部识别），以及关于AI辅助工作是否能保持档案标准的专业身份疑问。该领域尚处于以试点项目为主的阶段——许多机构都在进行小规模实验，但尚未将AI整合到全机构范围的核心工作流程中。

未来工作流演变

图书馆员与档案员的工作流正从线性处理转向分诊精炼循环。档案员不再按采入顺序逐项描述馆藏，而是利用 AI 为整个馆藏快速生成基础元数据，然后将人力优先集中在高价值、复杂或涉及伦理敏感的资料上。参考咨询将分化为两部分：AI 负责处理初级问题，而需要判断力、来源评估或触及敏感话题的咨询则由图书馆员承担。馆藏发展将融入 AI 驱动的使用分析和预测建模，以识别采集缺口，但最终决策仍由人根据机构使命与社区需求做出。数字保存将变得更为主动，AI 会持续监控文件完整性、格式过时风险及访问模式，及时标记需干预的资料，避免其变得无法访问。编目部门将缩减，元数据质量团队则会壮大，专注于训练 AI 模型、审计输出结果，以及用 AI 无法提供的语境信息来丰富记录。档案员将把更多时间投入于外展、口述历史以及以社区为中心的描述项目，凸显那些在 AI 训练数据中未被呈现的声音。这一角色将更具咨询性质——向研究人员说明 AI 工具的局限，帮助他们理解算法驱动的搜索结果，并教授如何批判性地评估 AI 生成的历史内容。实体空间管理仍由人主导，但 AI 会优化资料提取路线、预测保存需求并管理环境控制。

常见的AI应用场景

大规模手稿转录：档案馆使用Transkribus或Google Cloud Vision将手写信件、日记和组织记录转录为可全文搜索的文本。档案员会审核转录的准确性，尤其是面对历史笔迹或破损文件时。

照片收藏的标签化：博物馆和历史学会利用计算机视觉，按年代、地点、服装风格和可见物体，为成千上万张照片自动打上标签。档案员负责纠正错误识别，并补充关于人物和事件的背景信息。

自动化主题标目建议：编目员使用AI分析图书或文章内容，提出国会图书馆主题标目的建议，再审查其恰当性和专指度后进行分配。

聊天机器人参考咨询服务：公共图书馆部署AI聊天机器人，全天候解答开放时间、地址和账户类问题，并在工作人员当班时，将复杂的研究课题转交给人工图书馆员。

数字保存风险评估：档案员借助经过机器学习增强的DROID或FITS等工具，识别数字存储库中过时的文件格式，并确定迁移项目的优先次序。

数字化项目中的重复检测：扫描之前，AI会比对不同存储库中的数字替代品，避免对已有资料重复数字化，从而节省时间和存储成本。

自动化权利评估：档案馆利用AI分析出版日期、作者信息和版权记录，预估数字化项目的权利状况，并将边缘案例标记出来供法律审核。

特藏中的语义搜索：研究人员使用AI驱动的发现系统，该系统能理解概念关系，即便研究者使用的术语与目录记录不同，也能找到相关材料。

音频与视频转录：口述历史档案馆使用语音转文本AI为访谈创建可搜索的转录稿，档案员负责审核说话人识别和技术术语。

馆藏使用预测：图书馆运用机器学习分析流通和访问模式，为剔旧决策、存储优化和采购优先级提供依据。

风险与挑战

准确性与幻觉：AI生成的元数据可能充满自信地犯错——分配错误的日期、误认照片中的人物，或者编造听起来合理但不存在于受控词表中的主题标目。档案员必须核查输出结果，但核实疲劳会导致错误被遗漏。

偏见放大：基于历史目录训练的AI模型会延续过时、冒犯性或文化上不敏感的术语。主题标目和描述可能反映殖民视角、性别偏见或对边缘群体的抹除。纠正这些问题需要刻意的人为干预。

档案语境的丧失：AI将材料作为独立物件处理，可能破坏通过文献间关系传递意义的档案原则，如原始顺序与来源原则。档案员必须确保AI工作流保持语境完整。

面部识别的伦理问题：使用AI识别照片收藏中的个人引发了同意、隐私与监控方面的担忧，尤其是对于未经许可其影像即出现在机构档案中的边缘群体而言。

供应商依赖：依赖商业AI平台会带来锁定风险、持续成本以及对服务终止的脆弱性。专有模型在决策方式的透明度上无从谈起。

数字鸿沟：AI的采用拉大了资金充裕机构与资源匮乏图书馆和档案馆之间的差距，导致藏品获取机会不均，并加剧了谁的歷史得到保存并能够被发现这一问题上的既有不平等。

技能退化之忧：对AI的过度依赖可能随时间侵蚀深厚的编目与档案专业知识，当老一辈专家退休时，机构将无法处理复杂材料或批判性地评估AI的输出。

版权与训练数据：使用受版权保护的材料训练AI模型会引发法律问题，且AI生成的元数据可能不符合版权保护条件，使许可与复用复杂化。

AI生成内容的保存：随着AI创造的内容日益增多（合成图像、生成文本），档案馆必须制定政策，用以鉴定、保存和语境化那些模糊了人类与机器创作界限的材料。

用户信任：研究人员可能不信任AI生成的查找工具或元数据，质疑其准确性并更青睐人工创建的描述，特别是对于敏感或有争议的历史材料。

未来展望（3–5年）

在资源充足的图书馆和档案馆中，AI将成为标准基础设施，嵌入核心系统，而非停留在实验性的附加组件上。可以预见，AI辅助转录、结合人工审核的自动元数据生成，以及语义搜索将作为基本功能得到广泛采用。这一职业将出现分化——大型机构将聘用AI专家和数据科学家与传统档案员并肩工作，而小型机构则因成本和专业门槛，在应用AI方面步履维艰。联合AI项目将增长，使小型机构能够共享模型和算力资源。AI应用方面的专业标准将逐步确立，美国档案工作者协会和美国图书馆协会等组织将发布关于算法著录、人脸识别及偏见缓解的伦理指南。档案教育将融入AI素养，培养学生评估模型输出、理解训练数据局限性以及设计人机协作流程的能力。该角色将变得更具诠释性，减少文书色彩——档案员花在手工著录上的时间会减少，而将更多精力投入语境丰富化、社群互动以及对AI系统的伦理监督。能够连接技术专长与人文学养、既懂机器学习能力又懂档案理论的档案员，其需求将增长。招聘启事中，对Python、元数据标准和AI伦理有所了解的要求将愈发普遍。围绕去专业化担忧及AI辅助工作是否符合档案标准的疑虑仍会存在，但处理积压档案、让馆藏可供访问的经济压力将推动应用。最大的转变将是从“AI作为工具”转向“AI作为协作者”——系统提供建议，档案员做出决策，在一个持续的反馈循环中，不断提升人的判断力与模型的表现。

最终洞见

AI 不是在取代图书馆员与档案员——它是在推动这个职业回归其核心价值：即人类对什么重要、为何重要以及对谁重要所做出的判断。转录、标签和元数据录入等技术性工作可以自动化，但理解背景脉络、识别偏见、保存记忆以及服务社群等阐释性工作，仍然是人类不可替代的领域。能够蓬勃发展的档案员和图书馆员，将是那些将 AI 视为杠杆，用以从事更有意义工作，而非将其看作专业知识威胁的人。他们将利用机器大规模处理积压的资料，然后将人类洞察力应用于最重要的材料。真正的风险并非职业淘汰——而是机构会利用 AI 来削减人员编制而非扩大服务范围，或是算法的效率会凌驾于档案原则和社群需求之上。这个职业面临的挑战在于，引导 AI 的应用符合其自身价值观：公平性、可获取性、保存性与真实性。那些能够清晰阐述人类所长——即脉络化、阐释、倡导和关怀——的人，将定义这个领域的未来。

图书馆员与档案员

AI 如何融入这个职业