当 AI 读完整本《史记》：shiji-kb 知识图谱项目解析

2026-04-14    知识图谱 AI Agent 知识工程 古籍数字化 本体构建 NLP

最近在 GitHub 上发现了一个令人惊叹的项目：shiji-kb（史记知识库）。作者鲍捷用 AI Agent 将《史记》全部 130 篇、57.7 万字转化为一个可交互、可探索的结构化知识图谱。截至目前，项目已获得 1,000+ Star，且仍在活跃更新中。

这不是简单的文本数字化，而是一次完整的知识工程实践。项目的核心成果包括：17,571 个规范实体、84,502 次标注、3,198 个历史事件（98.7% 标注了公元纪年）、7,637 条事件关系。更重要的是，它的方法论本身就是一项创新。

九步管线：从原始文本到知识图谱

项目设计了一条 Agent 驱动的九步管线：

校勘 → 结构分析 → 实体构建
  → [事件 / 关系 / 本体 并行]
  → 逻辑推理 → 知识库管驭 → 应用构造

校勘先行是铁律。底本文字有误，后续一切都建立在错误基础上。项目对多版本进行比对，生成可靠的定本，然后才进入结构分析和标注环节。

实体标注采用自定义的 Token 标记体系，23 类实体各有专属符号：

〖@黄帝〗者，〖@少典〗之子，姓〖&公孙〗，名曰〖@轩辕〗。
〖@轩辕〗乃修德振兵，以与〖@炎帝〗⟦◈战⟧於〖=阪泉之野〗。

@ 标人名，= 标地名，& 标氏族，◈ 标军事动词。这套符号系统经过 v1.0 到 v2.8 的 迭代演化，兼顾了人类可读性和机器可解析性。

SKILL 驱动：不写代码的知识工程

这是项目最令人意外的设计决策：整个管线没有一行传统程序代码。

每一步对应一份 SKILL 文档，用结构化自然语言写清楚输入、处理逻辑、输出和验证标准。AI 读 SKILL，执行 SKILL，产出结果。项目共有 14 个元技能和 77 个管线技能，合计 863 页 PDF 文档。

为什么选择这种方式？四个理由：

  1. 灵活性。发现新的错误模式时，直接写入 SKILL 文档，所有后续章节自动获益，不需要修改代码逻辑。
  2. 可读性。史学研究者能直接阅读和验证方法论。26 条错误模式、12 条推理逻辑用自然语言表达，比正则表达式清晰得多。
  3. 普适性。同一套 SKILL 架构可以直接迁移到《汉书》和《资治通鉴》，不需要重新开发。
  4. 可演进性。系统从专著中学到方法，提炼成 SKILL，用 SKILL 分析新案例，发现新方法，再更新 SKILL。这是一个知识自举的过程。

14 个元技能中有几个特别值得关注：

  • M00「好东西都是总结出来的」：OTF（边做边总结，模式重复 3 次就立即提炼成规则）+ JIT（最小可行版本快速交付）+ Bootstrap（知识自举）。
  • M01「反思」：多轮 Agent 自动化审查的通用方法论，按章、按类型、全局三个维度进行。
  • M04「柳叶刀方法」：拒绝端到端黑箱，精细分解每个子问题，"能用规则绝不用 LLM"。

Agentic Ontology：AI 时代的知识工程新范式

项目提出了「Agentic Ontology」概念，直接对标斯坦福大学诺伊和麦吉尼斯（Noy & McGuinness）2001 年的经典论文《Ontology Development 101》。

传统知识工程的流程是：专家在 Protégé 中从空白开始，自上而下设计本体，规模通常是数十个类、数百个实例，迭代一轮需要数周。

Agentic Ontology 反过来：AI 从原始文本中提取结构，自下而上涌现，规模达到数千个类、数万个实例，迭代一轮只需数小时。核心瓶颈从"设计"转移到了"反思与进化"。

本体不再是专家预先设计的蓝图，而是从数据中生长出来、由人类修剪和校准的有机结构。

以人物分类本体为例，项目从文本中提取出 1,821 个人物实例，自动归入 130 个类别（王室、臣、策士、诸子百家、社会人物、方术、外邦、虚构人物等），以 OWL/RDF Turtle 格式存储。

反思机制：质量保证的核心

单次 AI 标注的准确率只有 70% 至 90%。项目通过多轮 Agent 反思将错误率收敛到 3% 以下。

事件年代审查提供了一组漂亮的实证数据：

轮次修正数涉及章节
第 1 轮1,010118/130
第 2 轮431105/130
第 3 轮46570/130
第 4 轮16768/130
第 5 轮4628/130

5 轮反思，每轮修正数稳步递减，涉及章节范围也逐步收窄。总耗时 5 天，成本约 200 元。如果换成人工从零标注 57 万字，估计需要 6 至 12 个月。

涌现洞见：知识图谱的独特价值

这是项目最让人兴奋的部分。当 130 篇、57.7 万字被结构化之后，一些人类线性阅读难以发现的跨章节模式自然浮现了。

征服与治理倒转：打天下的方法（暴力、强制）恰恰是治天下的障碍。这个模式在《史记》中反复出现，但分散在不同篇章中，线性阅读时容易忽略。

边缘优势：成功王朝一致从边缘地区起源。秦从关中，汉从丰沛，都是当时的边缘地带。知识图谱让这个空间模式一目了然。

宽恕悖论：对下属的宽恕创造忠诚（"以恩德换命"），对敌国的宽恕制造灾难（让敌人恢复元气）。同一个行为在不同对象上产生截然相反的效果。

飞鸟尽良弓藏：最有用的人在成功后变成最危险的威胁。韩信、范蠡的模式在结构化数据中清晰可见。

还有一些基于数据的具体发现。比如，通过财政计算揭示了长平之战赵王换将的真正动因：廉颇的"坚守"策略实际上在拖垮赵国财政（连军粮都需要平原君个人补贴），赵孝成王换赵括并非仅仅"中了反间计"，而是在财政即将崩溃时选择赌速决。

已实现的应用

史记地铁图

把 130 篇映射为 130 条地铁线路，3,197 个历史事件映射为站点，跨章节的同一事件映射为换乘站。纯前端实现（SVG + Canvas），支持缩放、拖拽、搜索。参考上海地铁图的视觉风格。

太史公怎么知道

司马迁是通过什么渠道得知两千年前的事件细节的？项目整合了李开元四部曲中的 30 多种史源溯源方法，并新增了 8 种方法。12 个深度案例合计约 10.7 万字。

其中沙丘之谋的四层传播链分析令人印象深刻：密谋三方知情 → 子婴诛赵高后审讯党羽 → 秦宫遗民降汉流散口述 → 司马迁汇总记录。时间差仅 65 年，2 至 3 代口述传承完全可行。

矛盾分析

跨章节矛盾检测。项羽本纪与高祖本纪中，东城斩首数字相差 160 至 800 倍；晋世家与赵世家中，下宫之难日期相差 14 年。

成本与可复制性

整个项目的成本令人意外地低：

  • Token 消耗：约 55 亿
  • 人机协作时间：约 120 小时
  • 每 10 万字处理成本：优化后可降至百元级别

按此效率，项目已经规划了扩展路线：汉书（74 万字）、资治通鉴（300 万字）、二十六史（约 4,000 万字）。SKILL 文档的普适性设计使得迁移成本大幅降低。

思考

shiji-kb 让我看到了知识工程的一种新可能。

传统路径是：设计本体 → 开发标注工具 → 组织团队标注 → 质检 → 入库。这个流程重、慢、贵，通常需要大团队和大预算。

shiji-kb 的路径是：写 SKILL 文档 → AI Agent 执行 → 多轮反思收敛 → 本体从数据中涌现。一个人 + AI Agent，120 小时完成 57.7 万字的全量知识图谱构建。

这不是说人类专家不再重要。恰恰相反，鲍捷在项目中的角色是"修剪者"和"校准者"。AI 生成的初始结果充满错误，但人类定义反思规则、审查涌现的本体、判断推理的合理性。人类从"搬运工"变成了"园丁"。

对于数字人文、古籍数字化这些领域，这个项目提供了一个可操作的范式。SKILL 文档的设计使得领域专家（历史学者、文献学者）可以直接参与知识工程，不需要懂编程。这可能是比技术本身更重要的贡献。

项目地址：https://github.com/baojie/shiji-kb

在线阅读：https://baojie.github.io/shiji-kb/