摘要：
... 近现代史研究者经常遇到这样一种困境：一方面，可获得的史料达到了规模空前的程度；另一方面，研究者却被这些庞杂的信息“淹没”，难以高效筛选和利用。以《美国对外关系文件集》（Foreign Relations of the United States，简称FRUS）为例，它是美国国务院自1861年以来陆续公开出版的重要外交档案汇编，涵盖美国对外政策及决策过程的方方面面。由于其内容权威且资料丰富，FRUS早已成为美国对外关系史、冷战史，甚至中国近现代史学者的重要资料来源。然而，使用这套档案的研究者也会遇到上述困境：材料信息量大，结构复杂，研究者往往需要耗费巨大精力才能从中获取有效信息。
幸运的是，伴随信息技术进步，FRUS在过去三十多年里完成了相当程度的数字化转型，从影印电子书到数据库再到结构化文件，走出了一条数字化发展的前沿之路。但与此同时，数字化又只是一个起点，如何进一步让这些数字档案更加智能、服务于研究者的深度分析，依然是摆在数字史学工作者面前的重要课题。
人工智能，特别是生成式大语言模型的出现，给历史研究提供了全新的视野与工具。借助这些技术，我们或许能突破传统检索技术的桎梏，把历史学家从繁琐的检索劳动中解放出来，让他们更专注于解释历史本身。
一部档案集的数字化旅程：FRUS的再生
《美国对外关系文件集》（FRUS）诞生于1861年，最初由美国国务院编纂并出版，旨在向公众展示美国外交政策的形成、演变与执行的过程。由于其系统、权威、公开的特性，FRUS逐步成为历史研究的重要基础文献之一。它不仅收录了正式的政府文件，也包括诸多关键人物的私人档案，构成一个观察美国对外战略走向的窗口。
不过，FRUS的规模极为庞大，至今已出版五百余卷，每卷动辄数百乃至上千页，且时间跨度长、主题繁多。20世纪90年代以前，它几乎完全以纸质和微缩胶卷形式传播。对于任何研究者来说，要想检索并定位一条具体的档案，都意味着需要在浩如烟海的目录和文本中投入大量体力和时间。
进入20世纪90年代后，信息技术开始改变FRUS的利用方式。1993年，美国国务院与伊利诺伊大学芝加哥分校合作，首次将FRUS的部分卷目发布为电子版，并配合DOSFAN（Department of State Foreign Affairs Network）系统在网络上公开，这一举措拉开了FRUS数字化的序幕。此后，国务院历史学家办公室在其官方网站陆续发布新的FRUS电子卷目，第三方高校图书馆、科研机构也积极参与，将旧有纸本通过扫描和文字识别等方式转化成可供下载的电子书，极大地提高了研究者获取资料的便利性。
从2010年前后起，FRUS进入了新的“深度数字化”阶段。不同于制作PDF影印版，这一阶段的工作重点是将档案文献编码为结构化的XML文件，并依据通用的文本编码规范（如TEI-P5标准）进行多层次信息标注，标注内容包括文件发件人、收件人、组织机构、生成时间、涉事地点等要素。这些结构化信息不仅方便计算机解析，也为后续开发更智能的检索工具和分析工具奠定了基础。
在美国政府数字化战略和开放数据政策的推动下，经过结构化标注的FRUS元数据以及API接口也逐步向公众开放。研究者可通过程序脚本，直接获取电子书目录、文件元数据，甚至对文本执行跨卷目检索。2016年以后，美国国务院还在GitHub平台公开了上述XML文件，进一步便利了二次开发和数据再利用。对历史研究者而言，这一系列变革意味着，过去需要反复翻阅纸质目录、手动摘录信息的低效流程，正在被基于机器可读、可搜索、可组合利用的“数字化档案”的新研究所取代。
当然，数字化并不等于彻底解决了问题。尽管FRUS的数字化程度走在前列，但目前的数字工具和数据库依然难以完全匹配研究者的深度需求，特别是面对复杂历史问题时，传统的关键词匹配检索和有限的目录导航仍然令学者捉襟见肘。正因为还存在这样的缺陷，人们把目光投向人工智能，寄希望于其在史料解读、信息提取、语义分析等方面带来新的突破。
数字视阈中的困境：FRUS的再利用难题
尽管FRUS的数字化成果令人瞩目，极大改善了研究者获取档案的效率，但从数字史学的角度来看，这种“数字化”依然带有显著的局限性。最直观的问题，是检索工具与研究需求之间的落差。FRUS数据库的检索系统依旧沿袭关键词匹配的基本逻辑。研究者必须预先知道某些关键词，才能从数据库中筛选出相应的档案。然而在真实的研究场景中，关键词往往是模糊、变化多样甚至是不确定的。一个外交事件可能被称为“访问”，也可能叫“谈判”，甚至在档案中以代号出现。此时，关键词匹配就可能失效。这些情况都需要历史学者花大量时间对史料逐一阅读、人工筛选。就算FRUS后来开发出更复杂的检索逻辑，诸如模糊搜索、逻辑运算符组合搜索等，依然无法摆脱对关键词的高度依赖。
另一个问题在于，新的结构化文件中命名实体标注的一致性与完整性不足。尽管FRUS的XML文件提供了结构化编码，但标注工作横跨若干年，由人数众多的团队完成，难以保证不同卷目中的标准完全统一。例如，同一个人物在不同卷目中会以不同的标签标注，时间和地点的标注粒度也可能相差很大。研究者想要基于这些标签做进一步数据分析，就不得不面对“同名异码”“标签不齐”等麻烦。与理想中那种标准统一、卷目贯通、结构化颗粒度细致的数字档案相比，现实往往更为复杂。
此外，即便是已经实现数字化的档案，依然保持了纸质时代的编目逻辑。FRUS基本按照总统任期和地缘划分卷目，这种结构并不符合研究者基于事件脉络开展跨时期、跨区域研究的思路。举例来说，关于中美建交的档案，横跨了从尼克松到卡特的多个总统任期，且散见于“中国”卷、“苏联”卷和“联合国”卷等卷目中。研究者要全面掌握相关档案，就不得不在多个卷目之间来回跳转，费时费力。
还有一个不可忽视的瓶颈，就是这些编码文件对历史学者来说，使用门槛依旧偏高。研究者虽然可以通过一些技术手段下载XML文件（需要先连接到GitHub网站），但面对复杂的结构标签和庞大的数据体量，往往无从下手。编码文件里密密麻麻的语法符号，更多是为机器友好而设计，而非为人类直接阅读而生。对缺乏信息管理背景或编程经验的史学研究者而言，如何把这些“原材料”真正转化为可操作的研究工具，依旧是一道难题。
总的来看，FRUS的数字化奠定了未来进一步深度利用的基础，却并未解决研究者最核心的痛点，即如何在大规模数字化档案中，快速且准确地发现与研究主题最贴近的信息。这也就为人工智能的介入，留出了一个极具潜力的空间。
让档案开口说话：人工智能的破局之道
进入21世纪第三个十年，人工智能，尤其是生成式大语言模型，正在迅速改变学术研究的样貌。以DeepSeek、通义千问等为代表的模型，具备强大的自然语言理解和文本生成能力，能够跨越语言障碍，在大规模语料库中完成复杂的分析任务。对于像FRUS这样内容极为丰富、结构繁杂的档案集而言，人工智能的引入无疑会带来具有突破性的机遇。
首先，大语言模型为档案的自动标注带来了希望。传统人工标注往往劳动力密集且主观性强，研究者需要在浩繁的文件中识别人名、地名、机构、时间、事件等关系并逐一打上标签（或利用软件进行半自动操作）。而大语言模型则可以在定义清晰的提示词或规则的指导下，自动完成命名实体识别，大幅度提升标注效率并保证相对一致性。
其次，人工智能具备语义理解和事件抽取的潜力，能够在文献中发现传统关键词检索遗漏的关联。举例来说，若学者想研究1972年尼克松访华前中美秘密沟通的细节，AI模型可通过对上下文的分析，捕捉到“秘密访问”或“先遣团安排”等并未明确标注为“尼克松访华”的文件，将其纳入研究范围。相比于传统检索只停留在表面词汇匹配，AI有机会识别档案背后的隐藏内容。
再进一步，结合知识图谱技术，AI可以帮助研究者把原本散落在各卷目、各文件中的信息点串联起来，形成人物关系网络、事件脉络图，甚至动态展示不同国家、机构在同一时间段的互动格局。苏黎世联邦理工学院和哥伦比亚大学合作团队开展的KG-FRUS项目，就尝试利用FRUS的XML源文件，建立跨时间、跨主题、跨人物的知识图谱，实现更复杂的问题解答功能。例如，当研究者提出“1972年访华过程中，谁对尼克松的决策影响最大”这样的问题时，AI知识图谱可以迅速汇总相关备忘录、电报和会议记录，从中提取出相关人物的出现频率、联系强度，帮助学者构建出权力网络的可视化图谱。
除此之外，人工智能还可结合检索增强生成（RAG）技术，为跨文档、跨主题的深度分析提供支持。这一技术允许大模型在回答用户问题时，先在庞大的档案数据库中快速检索最匹配的上下文，再生成答案，从而显著提高准确率。
目前FRUS档案的AI应用仍在试验阶段。多所研究机构基于FRUS开发的主题归类、相似文档检索等功能，都处在持续打磨和优化的过程中。但这些尝试充分展示了人工智能给历史研究带来的全新可能：不仅节省人力，更能在巨量史料中发现以往不易察觉的联系和意义。
但需要强调的是，这并不意味着AI会取代历史学者。相反，它为学者节省了重复性劳动、降低了信息筛选的门槛，让他们有更多精力去解读历史的复杂性。这正是人文研究不可替代的部分，也是值得期待的数字史学发展方向。
当算法遇见人文：数字史学的挑战
虽然人工智能为档案研究带来了令人振奋的新机遇，但同时也不可回避地伴随着一系列挑战和潜在风险。首先是数据和档案的可靠性问题。历史档案本身并非中立客观的纯粹记录，它往往在生成、编纂和归档的过程中就已经带有政治、文化乃至意识形态滤镜。人工智能依赖的训练数据，也不可能完全摆脱上述偏向。如果研究者在使用AI匹配所需档案时缺乏足够的敏感，就可能在无意间放大或固化这些偏见，导致解释失真，甚至误导后续研究。
其次是人工智能算法的透明度和可解释性。生成式大语言模型虽然能输出看似合理的结果，但其内部的推理机制往往不透明，属于“黑箱”模式。研究者如果仅仅依赖AI的结论，而忽略对结果的检验和溯源，就可能遗失历史研究应有的批判性思维。比如，一个模型自动给出的“人物关系网络”，表面上看十分清晰，但其中是基于哪些档案、哪些表述、哪些上下文做出的判断？这些问题如果无法解释，那么它仍然无法取代人类历史学家的深度解读。
第三是技术公平性与可及性。像FRUS这样的数字化档案虽然对公众开放，但能真正高效利用它们的AI工具，往往需要强大的算力或高昂的软件使用费。这很可能加剧研究资源的分配不平等：少数拥有雄厚资金和技术条件的机构可以率先应用AI深度开发，普通研究者和小型学术团体则难以获得同等的支持，反而被进一步边缘化。
最后，也需要警惕过度依赖技术带来的风险。历史研究的价值，不仅仅在于信息的检索、汇总和分类，更在于构建历史解释。研究者通过细致的阅读、对语境的敏感体会，以及跨领域知识的融会，才能发现历史中被忽略的声音或还原历史的复杂性。如果把这些工作完全交给机器，有可能会扭曲对史料的认识，也可能淡化人文学科的思考价值，难以触发读者的共鸣。因此，如何在享受人工智能带来的便利的同时，依然坚持历史学应有的批判性、创造性和人文关怀，是未来数字史学必须回答的问题。
还没有评论，来说两句吧...