档案 AI 能力建设：先做数据治理，再谈智能应用

“档案 AI”很容易被理解成把大模型接进系统，或者把机器人放进库房。

但真正进入档案行业现场后会发现，AI 能力能不能发挥作用，首先取决于档案数据是否可信、原文是否可定位、权限是否清楚、流程是否稳定、结果是否能被人工复核。

如果这些基础没有准备好，AI 很容易变成演示功能。

它看起来能回答问题，却说不清来源；看起来能生成内容，却无法进入正式业务。

档案 AI 首先是数据治理问题

档案 AI 不是从模型开始，而是从数据基础开始。

纸质档案扫描图像、OCR 全文、目录数据、元数据字段、档号、盒号、架位、权限和原文路径，必须形成稳定关系。

如果原文图像质量不稳定，目录与附件不对应，题名日期等字段缺失，AI 检索和编研就会出现来源不清、答案不可验证的问题。

档案 AI 建设的第一步，是把扫描、识别、质检、著录和成果组织做扎实。

从工程上看，数据治理至少包括四张底表。

第一张是资源表，记录全宗、门类、年度、保管期限、题名、责任者、文号、页数、开放状态等基础字段。

第二张是原文表，记录每个电子文件、扫描图像、PDF、OFD 或视频音频文件的存储路径、格式、页码、校验值和版本。

第三张是全文表，记录 OCR 或文本抽取得到的可检索内容，并保留页码、段落、版面位置和识别质量。

第四张是权限与流程表，记录用户角色、利用规则、借阅审批、开放范围、操作日志和审核状态。

如果这四张表之间没有稳定主键关系，大模型接进来之后只能做表层回答。它可能能生成一段流畅文字，却无法告诉用户答案来自哪一份档案、哪一页、是否有权限、是否经过确认。

OCR 是智能利用的入口

档案 OCR 并不只是把图片变成文字。

它要把不可检索的影像材料转化为可索引、可引用、可复核的全文资源。

OCR 结果如果能与目录、页码、原文图片和档号关联起来，就可以支撑智慧档案检索、主题汇聚和编研辅助。

如果只生成一份孤立文本，后续利用价值会大幅下降。

因此，OCR 应与图像处理、文件转换、质量检查和自动著录一起纳入数字化加工闭环。

在档案行业，OCR 更适合按“可用性”而不是单一识别率来验收。

可用性要看几个指标：版面方向是否正确，页码是否连续，表格和印章是否影响关键字段，红头文件、复印件、手写批注是否被标记为低置信度，目录字段和原文页码是否能互相跳转。

对于需要离线部署的单位，OCR 组件可以选择 PaddlePaddle/PaddleOCR 等本地化方案，也可以结合版面分析、图像增强和人工复核工作台。关键不是组件名称本身，而是能不能在单位内网完成识别、质检、索引和复核，避免敏感档案原文外流。

真正成熟的 OCR 链路，应该允许重新识别、局部修正和增量重建索引。档案数据要长期保存，不能把一次识别结果当成永久不可修正的终稿。

智慧检索要同时处理语义和边界

用户希望用自然语言查档案，例如查某个项目的全过程材料、某段机构沿革或某类事项的依据文件。

语义检索可以减少关键词试错，但档案检索不能只追求相似度。

系统必须同时处理档号、门类、保管期限、密级、权限、原文引用和结果排序。

智慧档案检索的可信度，来自“找到相关材料”之后还能说明依据在哪里、用户是否有权限、结果是否完整。

一个比较稳妥的检索架构，是关键词检索、结构化过滤和向量检索并存。

关键词检索负责精确字段，例如档号、文号、责任者和题名。结构化过滤负责年度、门类、密级、开放状态和保管期限。向量检索负责自然语言意图和同义表达召回。

三者不能互相替代。只做向量检索，容易召回看似相关但不符合门类和权限的材料；只做关键词检索，又容易漏掉题名不同但内容相关的材料。档案检索的难点，正是在“召回更多线索”和“严格控制边界”之间取得平衡。

因此，AI 检索结果页不应只显示一个答案，而应同时显示候选档案、匹配字段、原文片段、权限状态和复核入口。用户需要知道系统为什么找到了它，也要知道哪些材料因为权限或开放状态没有展示。

大模型适合做辅助

档案通用大模型或档案场景模型，可以帮助完成摘要、提纲、线索归纳、关联提示和初稿组织。

但它不应代替档案人员作出事实判断。

档案材料有来源、语境、形成背景和利用限制。AI 生成内容必须能够回到原文。

更合理的做法，是让模型在限定材料范围内生成候选结果，并提供来源、档号和引用片段，由专业人员确认。

模型治理要解决三个问题。

第一，输入边界。模型只能看到用户有权访问、业务场景允许使用、且已经进入可追溯材料集合的内容。

第二，输出边界。模型输出应明确标注“原文事实”“系统归纳”“待人工确认”。对数字、日期、机构名称、法规依据和历史结论，要优先回到原文或权威来源，不让模型自由发挥。

第三，审计边界。系统要记录模型版本、检索条件、引用材料、提示词模板、输出结果和人工修改。后续如果发现错误，能够追溯到底是 OCR 错、检索错、模型归纳错，还是人工确认时没有发现。

这套机制听起来像后台能力，但它决定 AI 能不能从演示走进正式业务。

机器人属于现场执行层

档案机器人有传播价值，也可能在巡检、盘点、识读和任务回写中发挥作用。

但机器人进入库房的前提，是架位数据、RFID 识读、任务规则、库房路径、异常处理和设备联动已经准备好。

如果这些基础不足，机器人只能成为展示终端。

把档案 AI 与机器人协同放在同一体系中理解，重点不是“有没有机器人”，而是现场任务能否闭环。

机器人协同可以分成三个成熟度阶段。

第一阶段是接口预留。系统能把盘点、巡检、调档、异常复核等任务转成标准任务单，并能接收执行结果。

第二阶段是小范围验证。选择固定库区、固定路径、固定任务类型，验证 RFID 或视觉识别、路径安全、异常回退和人工接管。

第三阶段才是规模化协同。机器人、密集架、门禁、环境设备和业务系统之间形成任务编排，执行结果能自动回写，异常能进入工单或审核流程。

很多项目失败，不是机器人本身不先进，而是直接跳到第三阶段，却没有完成架位治理、任务规则和异常处置。

治理机制决定能否进入正式业务

档案行业重视真实性、完整性、可用性和安全性。

AI 能力进入正式业务，必须有权限控制、操作留痕、输出审核、来源引用、版本记录和异常处理。

尤其在编研、问答和智能推荐场景中，系统要能区分原文事实、模型归纳和人工确认结论。

这些治理机制不是附加功能，而是档案 AI 能否被信任的前提。

建议把治理机制写进项目验收，而不是等上线后再补。

例如，要求系统能够导出某次 AI 问答的来源清单；要求智能著录候选字段必须显示置信度和原文依据；要求自动摘要必须能回到段落或页码；要求管理员能查看模型调用日志；要求权限变更后检索结果立即生效。

这些验收项不花哨，但很关键。它们能过滤掉大量只适合演示、不能长期运行的“智能功能”。

试点应从高频低风险环节开始

比较适合先做试点的方向包括：OCR 质量提升、目录与全文联合检索、批量自动著录、专题材料线索发现、库房巡检任务提醒和 RFID 盘点核验。

这些环节目标清楚，容易用样本数据验证效果，也便于形成验收口径。

等数据、流程和人员使用习惯稳定后，再逐步扩展到更复杂的编研、大模型问答和机器人协同。

试点时不建议只看“能不能跑通”，还要看“是否值得推广”。

可以记录四类数据：处理耗时、人工复核工作量、错误类型和用户采纳情况。

例如自动著录试点，可以统计候选字段采纳率、人工修改率和常见错误字段。语义检索试点，可以统计核心材料召回率、误召回比例、用户二次筛选次数和来源跳转使用情况。OCR 试点，可以统计低质量页面占比、人工修正耗时和重新索引成功率。

这些数据不一定要对外宣传，但会帮助项目团队判断下一步该投钱在模型、数据、流程还是人员培训上。

一套可落地的建设顺序

比较稳的顺序是：先做数字化加工闭环，再做目录和全文治理；先做权限、来源和日志，再做语义检索；先做候选结果和人工复核，再做自动摘要和编研辅助；先做机器人接口和局部验证，再谈大规模现场协同。

这条顺序看起来慢，但对档案行业更安全。档案系统服务的是长期保存和可信利用，不是一次性演示。

档案 AI 建设的关键，不是先证明模型多强，而是让每一次识别、检索、归纳和执行都能回到真实档案、真实权限、真实流程和真实责任。

如需了解档案 AI、数据治理、来源追溯和智能档案管理相关方案，可以点击文末“阅读原文”访问领至科技官网，获取更多产品与案例信息。