2025年初，我作为AI高级算法工程师，给浙江某大型图书馆，实现了图书索引编目AI系统（根据中图法给图书生成编号）， 期间尝试了多种方案，最终选择了7b模型训练+复杂链路AI智能体
很多人以为，图书编目 AI 只是“让模型读懂书名和简介，再给个分类号”。
真正做下来才发现，这件事比看起来复杂得多。
一、真实需求是什么？
在图书馆场景里，编目不是推荐，而是必须给出《中国图书馆分类法》的索引编号。
而这个编号本身有几个现实难点：
- 分类体系是多层树状结构
- 不同版本长期演进，历史数据语义混乱
- 存在交叉分类、特殊符号等边界情况
- 系统必须本地化部署，不能依赖外部 API
这意味着，它不是一个“演示型 AI”，而是要长期跑、要敢用的业务系统。
二、为什么直接训练模型行不通？
最开始，我尝试过直接用清洗后的百万级图书数据微调 7B 模型。
在训练数据上，准确率可以做到很高，但一旦换成非训练数据，准确率明显下降。
这一步给了一个很重要的结论：
单纯让模型“记住分类语义”，并不能解决真实编目问题。
三、为什么“向量匹配 + 模型”也不够？
第二个思路是，把《中国图书馆分类法》的叶子节点结构化，先用向量检索缩小候选范围，再让模型做精确判断。
这个方案在逻辑上是合理的，但在真实数据中，会被一个问题卡死：
前置匹配一旦出错，后面再聪明的模型也救不回来。
这在高精度业务里，是不可接受的。
四、最终可用的方案，反而更“笨”
最后采用的，是一个分层锁定 + 精细匹配的方案：
- 先锁定主分类层级（稳定性最高）
- 再在对应子树中缩小范围
- 最后由模型完成精确分类
- （第一、三步进行了模型训练）
这个方案看起来不炫技，但好处非常明确：
- 泛化能力稳定
- 可解释
- 易维护
- 适合长期运行
目前该系统已在内部环境中稳定使用。
五、做完这个项目，我最大的感受
图书编目 AI 的难点，从来不是模型大小，而是：
如何在复杂规则体系下，让 AI 的行为“可控、可交付、可验收”。
这也是我后来做所有单位级 AI 项目时，始终坚持的一条原则。
结语
AI 系统的难度，并不是模型如何强大，而是如何根据实际需求调配技术，让最终产品满足可执行性和长期稳定性。
而对于图书馆图书编目系统来说，只有在精准、稳定的技术方案下，才能真正将这一系统从“实验性工具”变成“可交付、可运行的业务应用”。
本篇文章来源于微信公众号: 九章智渊
1、推书网发布的文章《一个图书馆图书AI编目系统，是怎么从 60% 准确率跑到可用的98%》为推书网注册网友“推书小编”原创或整理，版权归原作者所有，转载请注明出处！
2、推书网文章《一个图书馆图书AI编目系统，是怎么从 60% 准确率跑到可用的98%》仅代表作者本人的观点，与本网站立场无关，作者文责自负。
3、推书网一直无私为图书馆转载发布活动及资讯动态。对于不当转载或引用本网内容而引起的民事纷争、行政处理或其他损失，推书网不承担责任。
4、本文转载链接：https://tuibook.com/duihua/63572.html
