政策窗口、两种失败做法各缺一半、界面标杆给出的答案——数字方志馆从"能存不能查"进入"可被AI 引用"的分水岭。志鉴云的市场判断。
本文属「志鉴云」专题。志鉴云是探码科技 Baklib 面向政府与机构推出的行业解决方案——把地方志、院志、数字档案、电子史馆这类文化资产，做成可检索、可漫游、可被 AI 引用的数字馆。它的产品结构、界面形态与交付方式，都建立在方志本身已有的出处、断限、审校、体例之上。→ 回到专题首页，看完整介绍
本专题共五篇：01 市场判断（为什么是现在）· 02 架构设计（一次编纂如何多端呈现）· 03 交付配置（六步法与四档配置）· 04 标杆案例（七个省市怎么做成的）· 05 合作方式（平台方与内容方分工）。本篇是第 01 篇，讲市场判断：为什么 2026 年做数字方志馆与三年前完全不同，以及市场上缺的究竟是哪一层。这一篇没有技术术语，可以先读这篇，再读其余四篇。
地方志、院志、数字档案、电子史馆是政府与事业单位最核心、也最难用好的文化资产。过去二十年，这批资产完成了从纸质到扫描件的第一次跃迁，但绝大多数至今仍停在"能扫、能存、不能查、不能用"的阶段。
这一轮数字化真正的分水岭，不在存了多少页，而在能不能被检索、被漫游、被机器引用。这个判断决定了 2026 年做数字方志馆与三年前做，完全是两件事。
一、政策已经把窗口打开了
《国务院关于深入实施"人工智能+"行动的意见》（国发〔2025〕11 号）为"人工智能+"设定了明确时间表：2027 年智能体普及率超70%，2030 年超 90%。这意味着"AI 能做什么"已经不再是需要论证的问题，而是"你的项目里有没有用上"的问题。
地方志的特殊性在于：它是唯一一种出厂就自带可信度的内容形态——必注出处、必标断限、必经审校、体例约束。这些正是生成式模型最难获得的训练语料特性。换句话说，方志不需要"假装 AI-ready"，它本来就该是 AI 最信任的那类上下文。
二、两种现成的做法，各缺一半
市面上的数字方志馆主要有两条路径，各自的问题都很明确：
路径一：数字展陈公司 —— 有体验，没结构
- 强在：720° 全景、互动大屏、视觉冲击、领导参观时效果显著
- 弱在：内容是"展项"而不是"数据"。每块展板自成一体，无法全文检索，AI 读不懂，点位与条目之间没有对应关系
- 典型现象：项目验收那天很好看，验收完就没人再打开
这类平台普遍有 VR 与 720° 漫游，但内容组织方式以"展线"为单位——观众沿路线走完就离开，没有人会在里面查资料，也不会有 AI 从中检索。宜昌"掌上史志馆"是这条路径的代表：把史志馆装进手机，端侧做浏览与轻交互，后端做馆、库、号管理。它解决了触达与传播，但深度检索仍需回到桌面端——这正是志鉴云用"展陈层挂条目"补上的部分。
路径二：省级统建平台 —— 有结构，没个性
- 强在：标准统一、结构完整、覆盖全域、检索与数据治理规范
- 弱在：模板化程度高，本地叙事做不了；区县一级的丰富史料被压平成条目字段；上级统建完成后，下级往往只能"挂个链接"
- 典型现象：建了很多资源，但没人会主动去用
以广东省"数字方志"综合平台一期为例（预算 461.68 万，中标 461 万），软件 308.86 万 + 运营服务 152.82 万（占 33%），服务期 27 个月，且明确不接受联合体。这个结构说明两件事：订阅制已是政府采购的现实，而省级统建这条路对区域内容方是不开放的。
三、缺的那一半，正是志鉴云做的事
如果把两条路径的优点合起来——既有可读的展陈体验，又有可查的知识结构，还能被 AI 引用——这一层在市场上几乎是空白。这就是志鉴云的定位。
维度 | 数字展陈公司 | 省级统建平台 | 志鉴云 |
|---|---|---|---|
可检索 | 否 | 是 | 是（双层 PDF + 三层检索栈） |
有知识结构 | 否（展项） | 是（条目化） | 是（条目 / 实体 / 关系 / 专题） |
可漫游 | 是 | 弱 | 是（展陈层挂条目，改一次全同步） |
本地叙事 | 是 | 否（模板化） | 是（同一底座，站点可差异化） |
AI 可引用 | 否 | 部分 | 是（带出处拒答 + AI 可读层） |
县级可落地 | 是（但无结构） | 否（只能挂链接） | 是（L0 起即可交付） |
四、界面标杆已经给出了答案
首图"北京记忆"是本赛道界面设计的标杆。它历经数次迭代、数十载建设，2026 年改版为"北京历史文化知识服务平台"，四层结构清晰：
它的关键做法是门户首页不堆检索框，而是双入口分流——想沉浸的走公众入口，想查资料的走专业检索。这一点值得所有志鉴馆参考：公众与研究者的诉求根本不同，用一个检索框同时服务两者，两边都不好用。
它的"记忆地图"更值得借鉴：左侧是分类图例（山川形胜 / 城池景观 / 寺庙景观 / 府署景观 / 园林景观 / 场馆景观 / 故居旧址 / 近代建筑 / 古建桥梁），右侧是可拖动的时间轴，中间是地图实体标记——时间与空间双轴联动。这套分类法本身就是一份现成的地情资源分类体系模板。
而它的全文检索页做了四件事：按标题、按全文、关键词、相关词条四种模式，配合左侧类型树、实体卡片与同义词归并。结果页的每一行都带卷次页码与核验状态——把搜索结果变成可引用的证据。
这三屏说明了一件事：高体验与强结构不是取舍关系，关键在于内容是不是同一批数据。展陈用展示层，知识用知识层，但两者读的是同一份条目——这才是"一次编纂、多端呈现"的真实含义。
五、方志是被低估的 AI 语料
生成式引擎在回答地方史问题时，最缺的正是地方史料——它不在任何通用大模型的训练数据里，AI 引擎找不到别的来源。这带来一个反直觉的结论：
一个区县把自己的志书做好"可被 AI 读取"，就能在这个细分问题上成为 AI 的首选引用源——而这不需要训练模型，只需要一套工具。
相关研究显示，在内容中增加统计数字、来源引用与专家引述，可把 AI 可见度提升最高约 40%。这四样东西恰好是方志本来就有的：数字是卷次页码，来源是版本藏地，引用是互见条目，专家引述是三审三校的结果。
六、所以现在该做什么
结论有三条：
- 先有可信结构，再谈 AI 智能体。没有出处卡与开放等级约束的问答，在政府项目里是负资产——它会在第一次深度追问时崩塌。
- 选"能进得去"的切口。区县级档案馆、院志、校史、企业志比地市级方志更值得优先：决策链更短、竞争更少、预算更确定。
- 把AI 可读层当成交付物写进标书。llms.txt、JSON-LD 结构化标注、开放只读 API、结构化问答集、《AI 可见度月报》——都是可逐条验收的东西，不是概念。
延伸阅读 · 想看这套判断怎么落到系统结构上，见志鉴云 · 一次编纂多端呈现：三层架构与信任层设计，或返回志鉴云专题首页。
提交反馈
