AI图书馆不是一个人的游戏：四座城市的深度案例告诉你”生态”才是正确姿势

一家图书馆上了AI馆员，效果很好。隔壁图书馆也上了，效果也还行。但两座馆加起来能做的事情，远远大于1+1。
2026年，越来越多的图书馆意识到一件事：单馆AI不是终点，区域AI生态才是。

01 大连：从一座图书馆到一座城市的AI阅读网

2026年4月25日，大连开发区图书馆揭牌了”AI伴读图书馆”。

听起来和之前那些AI馆员上线仪式没什么区别？不，区别很大。

这次的不只是多了一个图书馆AI馆员，而是金普新区人工智能阅读生态体系的启动。金普新区管委会直接把”城市级人工智能阅读”写进了整体规划——图书馆是节点，不是孤岛。

大连开发区图书馆的AI伴读系统有几个关键动作：

第一，知识图谱先行。 系统不是一上来就接大模型，而是先把馆藏资源、读者画像、阅读偏好、知识领域关系全部梳理成知识图谱。读者问”最近有什么好书推荐”，AI不只是从书库里找热度最高的，而是基于你之前的借阅记录、评分反馈、同好读者推荐，给出个性化书单。

第二，多馆联通。 金普新区多个图书馆通过统一的知识图谱底座实现互联互通。读者在开发区图书馆问的问题，在别的分馆也能得到同样的回答。借阅记录跨馆打通，预约转借不用跑三个馆。

第三，AI不是终点，阅读引导才是。 系统的核心目标不是”回答问题”，而是”让人愿意读更多书”。AI根据读者兴趣推荐延伸阅读、相关主题书单、配套讲座信息——把一次借阅变成一次阅读旅程。

金普新区的做法在业内引发讨论的原因很简单：大多数图书馆的AI项目是”技术导向”的——先上模型，再找场景。大连反过来了，先想清楚”要让读者做什么”，再决定用什么技术。

先想需求，再选技术。 这句话说了很多年，但真正做到的不多。

02 苏州：29万次访问背后的公共文化AI平台

苏州的公共文化服务体系在2026年交了一份不太一样的成绩单。

截至2026年4月底，苏州AI公共文化服务平台累计访问量达29万次，推荐图书总量超110万册。

110万册推荐，这个量级不是单个图书馆能做到的——这是全市公共文化资源的统一AI调度。

苏州平台的架构分三层：

数据层。 把全市公共文化服务点的图书资源、活动信息、空间数据汇聚到统一平台。不再是一个馆一个系统、数据各自为政，而是统一的资源池。

AI能力层。 平台采用插件化架构，支持多模型切换——可以接入不同的NLP模型处理不同任务：智能咨询用一套模型，个性化推荐用另一套，资源检索用第三套。不是绑定一个厂商，而是按需选择。

应用层。 面向基层服务点、图书馆、文化馆、书店等不同机构，提供不同深度的AI能力。文化馆可能只需要活动推荐，图书馆需要完整的智慧服务，书店可能只需要读者画像——按需取用，不强制绑定。

2026年，苏州平台迎来新一轮AI升级：引入更大规模的LLM与亿级元数据融合能力，打造”专有智能、应用汇聚、知识溯源、全场景一体化”四大能力的新一代平台。

苏州的经验值得注意的一点是：没有追求大而全，而是追求”各取所需”。 市级平台做资源池和AI底座，基层机构按需调用。这比每个馆单独搞一套系统，效率高得多。

03 北京：170万次对话背后的”AI数字人”新形态

如果说大连和苏州走的是”系统整合”路线，那北京城市图书馆走的是一条更激进的路线——AI数字人馆员全面上岗。

2026年，北京城市图书馆元宇宙体验馆的”AI鲁迅”已经累计与读者进行了170余万次语音对话。

170万次，平均每天接近5000次。这个数字说明一件事：读者确实愿意和AI互动，不是摆设。

“AI鲁迅”能做什么？它不只是回答问题。它能吟诗词、玩成语接龙、播报天气、做知识问答，甚至能模拟鲁迅的口吻和风格与读者对话。读者不只是在”用工具”，而是在”和一个AI角色交互”。

这种形态的深层逻辑是：把图书馆从”借书的地方”变成”有颜有趣有料的沉浸式阅读体验空间”。

AI数字人馆员不是简单的”换皮聊天机器人”，它背后有几个关键技术支撑：

知识库深度接入。 AI鲁迅背后接的是文学、历史、语言等领域的专业知识库，不是通用大模型的泛泛回答。鲁迅生平、作品、思想、文学理论——这些内容做了深度整理和结构化标注。

对话记忆。 同一读者多次对话，AI记住之前的交流历史。第一次聊《狂人日记》，下次可以接着聊，不用每次从零开始。

多轮推理。 读者问”鲁迅和胡适关系怎么样”，AI不只是给答案，还能展开论述——从新文化运动背景、个人恩怨、学术分歧多角度回答。

北京的做法代表了AI馆员的一个方向：不只是服务效率工具，而是阅读体验的参与者。

04 乌兰察布：一个县级市的AI突破

四座城里，乌兰察布最”小”——一个内蒙古地级市。但它做的事情，可能最有代表性。

2026年，乌兰察布市图书馆申报的”应用大模型与检索增强生成技术打造AI智能馆员”项目，入选全区公共文化服务领域人工智能创新应用标杆案例。

在AI图书馆领域，大多数案例来自一线和新一线城市——深圳、北京、上海、苏州。县级市和地级市能做出来的案例，是稀缺的。

乌兰察布的核心技术路线是RAG（检索增强生成）。这条路不是最高端的，但对大多数图书馆来说，是最现实的。

为什么？因为大模型直接回答容易”幻觉”——编造不存在的书、错误的位置、虚假的馆藏。RAG的思路是：让AI先去查真实馆藏数据，查到了再回答，查不到就说”找不到”。

简单说就是：先查再答，查不到就认怂。

这听起来太朴素了，甚至有点无聊。但正是这种朴素，解决了AI馆员最致命的问题——幻觉。一个AI馆员可以笨一点，但不能一本正经地胡说八道。

乌兰察布的做法对中小型图书馆的参考价值很大：

• 不用追求最贵的模型——开源模型+RAG架构，成本可控
• 先解决准确性问题，再考虑个性化推荐等高阶功能
• 数据治理是前提——馆藏数据不干净，RAG也救不了

一个地级市图书馆能做到这些，说明AI图书馆不是大城市的专利。

05 四座城市的模式对比

把四座城市放在一起看，能发现一个清晰的演进路径：

没有谁比谁更好。但有几条共同规律：

规律一：都从真实需求出发。 大连是”多馆联通”，苏州是”资源分散”，北京是”体验不足”，乌兰察布是”准确性焦虑”。每个城市的AI方案都指向一个具体问题，不是为了AI而AI。

规律二：数据治理都是第一步。 无论哪座城市的方案，底层都要求馆藏数据、读者数据、流通数据的标准化和打通。这是绕不过去的基础课。

规律三：技术选型务实，不追风口。 大连用知识图谱而不是纯大模型，苏州用插件化架构而不是绑定单一厂商，乌兰察布用RAG而不是端到端大模型。大家都在用”最合适的技术”，而不是”最酷的技术”。

06 一个还没人回答的问题

写到这里，有一个问题必须提出来——因为四座城市都没直接回答它。

AI馆员能帮图书馆回答”这本书值不值得读”吗？

目前的AI馆员，能力集中在”帮你找到书”和”帮你借到书”。找到——这是检索问题。借到——这是流程问题。两者都是”效率优化”。

但图书馆最核心的价值，从来不只是效率。图书馆真正的使命，是帮人发现值得读的书。

一个读者可能不知道自己有某个需求，但他读了某本书之后，突然觉得”原来我缺的就是这个”。这种”被一本书击中”的体验，是AI很难替代的。

AI可以做到精准推荐，但”精准”和”深刻”是两回事。

北京”AI鲁迅”的170万次对话，某种程度上已经指向了这个方向——不是简单地给推荐，而是通过对话让读者进入一个阅读状态。这已经不是”帮你找书”，而是”和你一起读”。

四座城市的AI实践，目前还主要停留在”效率工具”阶段。而图书馆的终极竞争力，在于判断力——能判断什么值得读，什么值得推荐给谁，什么时候推什么。

判断力，是AI下一步要挑战的领域。也是图书馆员不可替代的核心能力。

AI可以帮图书馆找书、借书、推荐书。但让读者觉得”被理解”，这件事，还需要人。

07 结语：生态不是口号

大连建了一座城市的AI阅读网，苏州做了一个全市的AI资源池，北京让AI数字人上岗服务170万次，乌兰察布让一个县级市用RAG实现了精准问答。

这些案例加在一起，说清了一件事：

AI图书馆的未来，不在某一个馆员的智商，而在整个生态的智商。

一座图书馆上了AI，效果不错。三座图书馆加上AI，可以互相打通。十个图书馆、一个区、一座城市上了AI——这就不再是工具问题了，是基础设施问题。

基础设施的价值，不是单个馆员有多聪明，而是整个网络有多可靠、多方便、多能联动。

从单点到生态，AI图书馆的下一个阶段，不在某一个馆，在每一座城市的阅读网络里。