人工智能、物联网、区块链、大数据和元宇宙等新一代信息技术正在重塑人类生活的各个领域，数字化、智能化、智慧化和数智化等概念也应运而生，并且逐渐成为全球关注的焦点议题。2022年，中共中央、国务院印发《关于推进实施国家文化数字化战略的意见》，明确指出要坚持统筹推进全国智慧图书馆体系建设，增强公共文化数字内容供给能力，提升公共文化数字服务水平。在新技术的冲击下，公共图书馆的智慧化转型和发展已成为切实推动国家文化数字化战略的关键举措，智慧图书馆的体系建设和应用开发也引起了业界的广泛关注[1-3]。国家图书馆率先提出建设“1+3+N”模式的全国智慧图书馆体系[1]，该体系既突出了“云上智慧图书馆”的集聚效应，又强调了广泛的线下智慧服务空间的战略使命。 随着AI算法、算力和算据的不断突破，以大语言模型(Large Language Model，LLM)为代表的生成式人工智能(Generative Artificial Intelligence，GenAI)技术蓬勃发展，GenAI技术正在深刻重塑各行各业。2024年12月，深度求索发布了性能对标OpenAI闭源模型GPT-o1的DeepSeek-V3，2025年1月又推出了DeepSeek-R1推理模型。与传统大模型相比，DeepSeek-R1模型具备独特的深度推理能力，能够根据用户的输入进行推理和思考，这也使得DeepSeek模型成为全球关注的焦点。目前，许多公共图书馆和高校图书馆正在积极探索DeepSeek等LLM的训练、微调以及本地化部署，试图通过技术革新倒逼服务范式重构，赋能图书馆服务向深度智能化、智慧化和个性化转型。例如，国家图书馆推出了大—中—小屏多终端的AI数字人“小图”，可以为读者提供问题解答、娱乐互动和智慧伴读等多场景服务[4]；苏州图书馆借助LLM和多智能体技术构建了“1+1+N”的智能服务体系，统一AI服务接口、业务接口和N个模型服务端口，用户可根据具体业务场景、不同模型特性以及自身使用偏好自由选择不同的模型服务[5]。由此可见，GenAI技术正在驱动智慧图书馆服务由传统的“功能响应”向“价值创造”跃迁，这为推动智慧图书馆转型发展带来了新的机遇。 聚焦信息搜索这一图书馆的核心服务，GenAI技术的迅猛发展正在引发信息搜索范式和图书馆知识服务模式的深层次重构[6-7]。GenAI不仅具备自然语言理解与生成能力，还具备强大的思维推理能力，展现出高度拟人化的认知演绎特征[8]，能够动态感知用户认知的不确定性，并在多轮交互过程中不断重塑用户的知识需求与表达路径。值得注意的是，GenAI技术是一种革命性文化社会技术(Cultural and social technologies)，它以独特的方式汇聚并重构人类信息，成为“人类社会人工系统”的新变体，从而深度嵌入用户的信息行为过程[9]。信息搜索从以往基于静态索引与显性需求匹配的搜索模式，发展为以人机认知协同与语义动态演化为特征的知识及认知建构过程[10]。检索系统不再仅仅适配用户已知的信息需求，而是在对话与推理中持续引导、丰富乃至扩展用户的认知结构，呈现出从工具型服务向认知增益型服务转型的趋势。伴随这一变革，智慧图书馆正由传统的“知识仓库”，跃升为以智能协同、语义生成和知识涌现为核心的认知型“智慧服务”平台，标志着图书馆在信息社会中的功能定位与价值体系正发生根本性重塑[11]。因此，在GenAI时代，深入探究智慧图书馆信息搜索的服务场景、现实需求、可行的解决方案及其服务模式，对于推动新时代智慧图书馆体系的可持续发展具有十分重要的现实意义。本文在总结信息检索系统的功能及范式演变、GenAI驱动的信息检索功能需求及特征的基础上，提出GenAI驱动的智慧图书馆信息搜索的总体技术架构和面向不同服务场景的创新服务模式，从而为智慧图书馆建设提供理论指导和实践参考。 1 图书馆信息搜索的范式演变 传统信息检索系统主要以辅助用户发现和获取特定资源为目标，其运作逻辑依赖以关键词匹配与分类索引为基础的离散符号，核心驱动机制为布尔逻辑与统计模型结合的规则驱动[12]。由于系统缺乏对用户语义意图的理解与动态响应，用户必须适应检索系统的逻辑规则和操作规范，对专业性有一定的要求。然而，随着知识社会的到来，大规模数字资源集成及多源异构信息流通成为常态，信息获取的复杂性与用户认知负荷显著增加[13]，传统基于关键词表层匹配的检索模式在语义理解、用户意图识别及结果组织与呈现等方面逐渐暴露出滞后性。用户不仅面临“找不到信息”的困境，更频繁陷入“信息过载”“结果冗余”“定位困难”的认知负担之中[14]，传统检索系统因缺乏对用户深层认知过程的动态响应机制，严重制约了信息利用效率与用户体验满意度。在此背景下，图书馆信息检索系统的功能目标逐步从单纯的信息定位转向以知识发现与语义理解为目标的语义检索模式。语义检索依托本体建模和语义网[15]，围绕概念、实体及其关系建构系统性语义结构，基于连接主义的神经网络编码和分布式表示生成语义化的向量空间[16]，实现对用户自然语言表达的深度解析，并通过知识聚合、推理与重组，生成更具组织性和解释性的内容响应[17]。这标志着图书馆信息检索系统的服务范式正在从以“静态索引—检索匹配”为主的资源适配逻辑，转向以“语义理解—语境建模”为核心的用户认知导向逻辑，检索系统从被动呈现信息资源的中介，演变为能够主动理解、推理并协助用户建构知识体系的智能服务主体，服务场景进一步延伸至开放域问答和关联知识推理层面。 在GenAI技术发展的背景下，GenAI驱动的生成式智能搜索基于预训练LLM、检索增强生成[18]、语义嵌入[19]与思维推理[20]等技术，从不同的逻辑层面对原有的检索范式进行重塑，形成了基于“人智协同认知”导向的生成式搜索范式[10]。在资源逻辑层面，搜索不再基于静态分类索引，而通过语义嵌入与知识整合实现资源的动态关联与智能感知，支撑知识发现[21]。查询逻辑上，搜索行为由关键词匹配演化为深层意图识别与推理引导，系统通过处理用户输入的自然语言形式的提示词(Prompt)，能够动态理解用户需求并适时调整交互策略，用户也可以了解LLM的思维过程从而不断优化提示策略，使用户信息搜索的思维链从“答案导向”转换为“思考导向”，进而使用户和系统产生“思维共振”[22]。应答逻辑方面，系统响应由简单文献列举转向知识性生成[23]，强调语义融合、语义推理与可解释性，支持高阶认知任务[24]。交互逻辑上，搜索过程由单次查询应答转为连续对话与认知共建，系统通过追踪上下文与任务演化实现人机协同深化知识结构。这种认知协同主要体现在两方面，一是在多轮对话过程中，模型可以通过多次推理和上下文学习理解用户的真实意图；另一方面，基于LLM的显式推理过程形成的系统认知，不断优化自身的认知和需求，进而实现对知识结构的理解与整合。三种不同检索范式的对比如表1所示。
