人工智能技术与智慧图书馆的深度融合正深刻重塑图书馆服务生态，学科馆员作为连接知识资源与用户需求的核心纽带，面临角色重构的迫切需求。同时，生成式人工智能、大语言模型等技术的广泛应用，使传统学科服务模式发生根本性变革，学科馆员需从文献提供者向知识策展者、从被动响应者向主动嵌入者、从单一服务者向跨界协作者转变。在智慧图书馆环境中，学科馆员应具备数据素养，以AI工具应用能力、跨学科知识整合能力承担起科研支撑、数字学术服务与智能知识导航等新职能，其角色转型需从能力重塑、服务模式创新与制度保障三个维度协同推进，以适应AI for Science时代的知识服务新需求。

　　随着大语言模型与生成式人工智能技术的快速发展，AI for Science已成为科学的新范式。图书馆作为知识组织与服务的核心机构正经历深刻变革，智慧图书馆建设的推进，促使传统图书馆服务朝着智能化、个性化方向发展。学科馆员制度是高校图书馆服务科研的重要模式，学科馆员的角色定位与能力要求亟须适配新的技术环境。当前，学科馆员面临服务对象需求升级、服务工具智能化与服务内容深化等挑战，如何在AI赋能的智慧图书馆环境中重新定位角色、提升专业能力与创新服务模式，成为图书馆学领域亟待深入探讨的议题。

智慧图书馆环境中学科馆员的职能演变

从文献服务到知识策展的职能拓展

　　在智慧图书馆环境中，学科馆员的核心职能正从被动的文献提供者转变为主动的知识策展者，这一职能转变不仅体现了图书馆知识服务模式的创新，更反映了图书馆在数字时代重新定位自身价值的战略选择。在资源维度，学科馆员的职责已超越传统的文献整理与流通，转向构建系统化的学科知识体系。学科馆员可运用VOSviewer、CiteSpace等科学计量工具构建动态更新的学科知识图谱，实现对学科发展脉络、前沿热点与研究空白点的可视化揭示。2023年相关调研数据显示，78%的高校图书馆已建立学科专题数据库，这一现象充分体现了资源建设从“大而全”向“专而精”的战略转变，显著提升了知识服务的针对性。在技术维度，人工智能等技术的深度应用极大拓展了服务能力边界，学科馆员可引入智能推荐算法，搭建基于用户行为画像的个性化知识推送系统。国内某“双一流”高校的实践表明，通过机器学习模型对用户研究偏好进行深入挖掘，可使文献推送精准率从42%提升至89%。这种技术赋能不仅提高了知识服务效率，还实现了从“人找知识”到“知识找人”的服务模式革新。在服务维度，学科馆员需积极转型为知识交流活动的设计者和组织者，通过策划学术沙龙与数据素养工作坊等高附加值活动，有效促进显性知识与隐性知识的转化及共享。这些活动不仅拓展了知识服务的深度和广度，更使图书馆成为学术共同体中不可或缺的知识枢纽。在实践路径方面，学科馆员通过搭建精准的学科用户画像系统、开发标准化的学科服务工具包、构建开放获取资源策展平台等系统性举措，不仅年均节约科研经费达120万元，还构建了可持续的知识服务生态。这种全方位的职能升级，推动学科馆员成功实现从“信息中介”向“知识架构师”的角色蝶变，在科研创新生态中发挥着愈发重要的支撑作用。

从学科联络到科研嵌入的服务深化

　　科研嵌入式服务成为必然选择。嵌入深度可量化为三个层级：项目参与度(占比35%)，馆员深度参与课题申报书撰写、文献综述梳理，还可联合制定科研技术路线;过程介入度(占比42%)，针对科研全周期不同阶段的信息需求提供动态支持，如实验阶段的文献推送、中期的专利查新与结题前的成果凝练等;成果贡献度(占比23%)，根据在数据整理与方法优化等方面的实质性贡献，在论文及专利中获得署名认可。实施框架包含四个关键要素：建立“双聘制”机制，某理工类大学将6名学科馆员纳入学院学术委员会，参与学术决策与科研立项评审等核心工作，实现服务与科研的深度绑定;开展数据管理全链条服务，为从制订数据管理计划(DMP)、数据清洗与格式标准化到长期存储与合规共享提供全流程技术支持，2024年相关数据显示，嵌入式服务使跨课题数据复用率提升2.3倍，大幅降低了重复实验成本;提供科研影响力评估服务，运用Altmetrics构建涵盖学术引用、社会传播与行业应用转化等的多维评价体系，助力科研人员精准判定成果价值;承担开放科学推进者角色，协助建立集成果存档、展示与跨机构共享于一体的机构知识库，推动开放获取论文占比从18%提升至67%。配套保障措施包括：构建嵌入式岗位绩效体系，将科研产出贡献及课题服务满意度等纳入考核指标;常态化开展跨学科能力培训，培训时长每年不少于80学时，内容涵盖科研方法、数据工具及开放科学政策等方面;搭建线上线下融合的协同工作平台，实现文献共享、实时沟通及项目进度跟踪等功能。实证研究表明，深度嵌入式服务可使课题中标率提升19%，论文发表周期缩短4.2个月，充分印证了该服务模式在科研赋能中的有效性与可持续性。

AI技术驱动的学科馆员能力重构

数据素养与AI工具应用能力培育

　　AI技术正重塑学科馆员的核心能力体系，数据素养也从辅助技能跃升为基础能力。其能力框架包含三个层次：数据认知层理解结构化/非结构化数据特征，构建并运用元数据标准(如Dublin Core、DataCite)与FAIR原则;数据操作层掌握Python/R语言基础、SQL数据库查询及数据清洗技能;AI应用层熟练运用ChatGPT进行文献综述，利用Scite.ai验证引用可靠性，借助Research Rabbit构建文献网络。培育路径采用“阶梯式+项目制”模式：初级阶段(3个月)完成数据管理基础课程，考核通过率需达85%;进阶阶段(6个月)开展真实场景训练，如利用VOSviewer分析学科合作网络;高级阶段参与AI工具评测项目，2024年已有场馆建立包含23款工具的评估矩阵。能力验证设置三项指标：工具应用频次(月均≥15次)、数据服务案例数(年均≥8个)、AI辅助效率提升率(目标>40%)。核心挑战在于AI幻觉问题，需建立“人机协同审核”机制，使培训投入产出比达1∶4.7，进一步印证系统化能力建设的经济可行性(如表1所示)。

跨学科知识整合与智能导航能力建设

　　智能导航能力要求学科馆员突破学科边界，构建知识关联网络。能力模型包含四个维度：学科图谱构建能力(30%)，某馆利用Web of Science数据识别出“AI+医学”等17个新兴交叉领域并绘制了领域演进路径图;语义理解能力(25%)，掌握本体论知识组织方法，应用SKOS标准建立受控词表，实现概念间语义关系的准确表达;智能检索能力(25%)，配置Primo及Summon等发现系统，优化相关性算法使查全率提升至92%，同时完善检索结果排序逻辑;推荐系统设计能力(20%)，基于协同过滤算法开发个性化推荐引擎，结合用户行为数据动态调整推荐策略。建设路径分为三个阶段：第一阶段构建跨学科知识图谱，整合PubMed、arXiv等12个异构数据库，实体关联数超500万条，进而实现知识单元的深度链接;第二阶段开发智能问答系统并接入大语言模型API，准确识别92%的复杂学术查询，可支持自然语言交互;第三阶段打造预测性导航服务，通过机器学习算法分析用户需求特征，预测准确率达76%，并主动为用户推送相关资源。实践表明，该模式可使跨库检索效率提升3.2倍，用户满意度也从68%提升到91%。

人机协同视域下学科馆员的服务模式创新

基于大语言模型的智能参考咨询服务

　　人机协同参考咨询需构建“AI初筛+馆员精准”的两级服务架构。一级响应(AI处理)：大语言模型处理80%的常规咨询，包括馆藏查询、数据库使用及文献格式规范等标准化问题，平均响应时间从12分钟缩短至15秒，同时自动提取复杂咨询的核心诉求与关联资源线索，为馆员开展精准服务奠定基础。二级介入(馆员处理)：人工处理复杂学术咨询、伦理判断与创新性问题，该部分虽占比20%，但其价值贡献度达65%。技术实现采用RAG(检索增强生成)架构：构建包含馆藏策略、学科资源及常见问题的专属知识库(容量达2.3TB)，并结合用户反馈与学科动态持续扩容，某高校实测结果显示，回答准确率从通用GPT的67%提升至89%;部署Prompt工程优化层降低幻觉率至4.2%，同时建立人工干预触发机制，当置信度<0.75时自动转至人工处理环节。该模式服务效能显著，问题解决率从73%提升至94%，馆员工作负荷下降58%，用户满意度达4.6分(满分5分)，其关键创新在于建立“AI学习—馆员纠偏—知识库更新”的闭环优化机制，每月迭代优化300余条问答内容，成本效益分析显示，初期投入18万元，每年可节约人力成本42万元，投资回收期为7个月。

面向AI for Science的数字学术支撑服务

　　AI for Science范式推动学科馆员逐步转型，为科研全流程提供数字学术支撑，相关服务体系包含四大模块：科研工具链服务(35%)：提供AlphaFold、AutoDock等AI工具培训，采用“线上直播+线下实操”结合模式，并配套工具使用手册与案例库，如某生命科学馆累计培训320人次，助力产出SCI论文17篇，受训团队论文平均影响因子提升1.8;计算资源对接(25%)：协调超算中心资源分配，根据预实验、大规模模拟等不同科研阶段精准匹配算力，搭建GPU算力预约系统并提供操作指导，利用率从43%提升至78%;模型与算法咨询(20%)：涵盖模型选型、参数优化及结果验证，如某材料课题组经指导后，预测模型准确率提升12%;开放数据管理(20%)：建立遵循TRUST原则的科研数据仓储，配套提供数据标准化处理与元数据标注服务，相关数据被引率提升35%。实施框架采用“3+1”模式：即3个服务端口(7×24小时线上AI助手、定制化线下工作坊、“一人一课题”嵌入式驻场)与1个支撑平台(整合Jupyter Notebook、GitHub、Hugging Face等工具)。某工科院校案例显示，学科馆员协助搭建材料科学AI预测平台后，新材料筛选效率提升5倍。该模式使科研启动周期平均缩短6周，充分印证了数字学术支撑服务的实质价值。

学科馆员角色转型的制度保障与发展机制

系统化培训体系与职业发展通道构建

　　系统化培训体系是学科馆员角色转型的基础支撑，需构建分层进阶的能力培养模型：初级馆员需完成数字素养认证，掌握数据管理与AI工具应用等核心模块;中级馆员可深耕对应学科，获取学科相关学位并完成专业培训，强化特定学科领域的知识储备与服务能力;高级馆员着力培育科研服务创新能力，以主持研究项目、发表高水平论文引领学科服务模式创新。该模型的能力维度涵盖信息技术、学科知识、数据分析、科研方法及沟通协作等方面，以此形成多元复合的能力结构体系。职业发展通道构建需采用“双轨制”：学术轨侧重科研产出，聚焦课题研究、论文发表与成果转化;专业轨侧重服务创新，深耕服务模式优化、用户需求响应与服务效能提升。学科馆员可根据自身特长与发展意愿，自主选择适合的晋升路径。在培训投入方面，年度培训经费应占图书馆总预算的3%—5%，并建立外出研修资助制度、设立学科馆员发展基金，为馆员学历提升、技能认证及跨学科前沿技术专项学习提供支持。

多元协作网络与评价激励机制完善

　　协作网络构建需突破组织边界，构建“内部整合—院系联动—外部协同”三层架构：内部层组建跨职能团队统筹AI服务;院系层签订学科服务协议，明确嵌入式服务清单与响应时效;外部层加入图书馆联盟，实现资源共享与能力互补。评价体系需采用多维模式：服务维度量化咨询量、培训场次及嵌入项目数;成果维度统计论文、专利及成果转化贡献;创新维度评估新型服务模式与工具开发情况;影响力维度测评用户满意度与同行认可度。评价激励机制包括物质激励、发展激励和荣誉激励，一方面设立学科服务专项绩效，优先推荐优秀馆员申报人才项目;另一方面建立年度评选机制，对优秀馆员予以表彰(如表2所示)。

　　AI与智慧图书馆的深度融合，为学科馆员角色转型提供了技术支撑与发展契机。学科馆员应主动适应AI for Science时代的知识服务需求，实现从传统文献服务向知识策展、从被动响应向主动嵌入、从单一服务向跨界协作的转变。能力重构是角色转型的基础，需着力提升学科馆员的数据素养、AI工具应用能力与跨学科整合能力;服务模式创新是角色转型的核心，应积极探索人机协同的智能服务新形态;制度保障是角色转型的关键，需建立健全培训体系、职业通道与激励机制。图书馆界应把握智能化发展机遇，推动学科馆员队伍朝着专业化、智能化方向发展，进而为科研创新提供更高质量的知识服务。

　　作者：李钢

　　制作：吴飞飞

　　校对：肖梦妍

　　审核：颜宝辉