文献修复与数智化加工教学工具

一期核心功能与资源需求

围绕一份古籍文献，组织学生完成“资料整理—修复学习与演练—文字校订—知识整理”，形成可提交、可评价的学习成果。建设简单的管理端、实用的教师端，以及学生网页端和微信小程序，支持约50名学生同时上课。

一、管理端

• 人员与班级：管理教师、学生及班级，设置各自可使用的课程和资料。
• 教学资源：管理文献案例、工具材料介绍、步骤示范及题目，支持分类、开放和停用。
• 基础维护：查看文件使用量和异常情况，做好资料与作业备份。

二、教师端

• 课程与任务：建立课程，选择教学专题，向班级发布学习、练习、测试及作业要求。
• 备课与案例：选用已有案例，补充图片、视频、工具方法、修复步骤、题目解析及参考方案。
• 过程指导：查看学生学到哪一步、哪些题目或操作出现问题，提供针对性反馈。
• 作业评阅：查看修复方案、文字校订和知识整理成果，批注、评分、退回修改，导出成绩与报告。

教师可以只布置某个环节，也可以组织一次完整的文献加工任务。

三、学生网页端

电脑端用于完整操作和成果整理，重点包含四个模块。

修复模块是重点操作环节。 学生需要经历“看案例—学步骤—选方法与工具—动手演练—检查结果—修改重练—编写方案”，不能只看视频或答题。演练支持工具拖放、区域选择、步骤判断和局部示意操作。

完整修复方案覆盖收书清点、修前检查、病害调查、工具方法、修复步骤、自检验收、包装存放或交还。开展线下实训时，可补充操作照片和教师评价。学生还可将整理出的图文知识用于简单文创作品，并提交来源说明。

四、学生微信小程序

小程序用于随时学习、课堂演练和现场采集，与网页端使用同一份课程和作业资料。

• 选课与学习：进入老师的课程，选择“古籍缺损修补”等专题，查看图文、短视频和步骤说明。
• 答题与测试：完成观察题、方法选择、步骤排序及单元测试，查看解析和需要复习的内容。
• 修复演练：在预设场景中选择工具并拖到指定区域，判断方法与处理顺序，答错或操作有误时查看原因并重练。
• 资料与作业：拍照上传文献和实操过程，完成短段校订、简单知识卡片及修复方案分章填写。
• 反馈与接续：查看教师意见、修改重交；复杂图像操作、长文编辑和关系整理可转到电脑继续。

课堂示例： 老师发布“古籍缺损修补与内容整理”任务，学生领取文献资料，学习并演练修补步骤，校订指定页面的文字，再提取知识点，最终提交修复方案、校订稿和知识报告，由老师统一评阅。

文献修复与数智化加工教学工具：业务流程图

先看总流程，再按图号查看详细流转。箭头表示下一步，菱形表示判断；退回与重练均回到具体处理环节。学生网页端和小程序使用同一份课程、文献与作业。

一期不使用人工智能，不接外部文献数据库。文字处理为人工识读或导入教师初稿后的校订。教学演练与真实修复记录分别标明。

图1：管理、教学与学生操作总流程

图中展示综合任务。单环节任务只执行教师选定环节：修复任务可直接提交修复成果，知识任务可使用教师给定文本；跳过环节不记为已完成。无修复需求的学生应说明依据，不必编造修复记录。

图2：文献资料建设

原始资料始终保留，调整图片另存副本。上传失败不会被标为完成；教师允许保留的缺页或未知项随成果一起展示。

图3：修复学习、演练与完整方案

完整方案按收书清点、修前检查、病害调查、方法工具、工序安排、自检验收、包装存放或交还组织。示意操作成功与测试达标，不代表实体修复已完成。

图3A：有线下实训时的审批、实施与存放

临时保管不等于正式入库。终止项目保留未完成状态和实际去向，不标成验收通过；后续教学范围由教师确定。

图4：文字识读与校对勘误

原文、校订改动及阅读解释分别保留；无法辨认的内容不强行补成确定文字。教师复核意见通过图6退回到对应字词。

图5：内容理解、知识整理与应用

待核实内容不会自动变成确定知识。关系图展示学生录入且有状态标记的内容，不自行推断关系；是否允许带存疑提交由教师任务要求决定。

图6：提交、教师反馈与修改重交

每次提交、重交和评分均保留记录。教师正在评阅的内容不会被学生的新草稿改变；上游修改影响知识或作品时，重交前一并核对。

图7：学生网页与小程序如何接续

换端只接续已成功保存的内容，未上传完成的照片不能显示为另一端可用。需网页完成的精细活动提前标明，手机已完成的非等价练习不自动替代该活动。

流转结果核对

二期接入人工智能后的流程调整

一期按“完整排除人工智能”建设。二期加入 AI，在原有环节前插入一步“机器出草稿”，原有的人工核对、教师审核、退回重交路径全部保留。下列图8至图11对应图1、图4、图5、图3的改造点，未画出的环节与一期一致。

三条基本原则：

• AI 只出草稿，人工负责定稿。 识别、抽取、推荐的结果一律进入待确认状态，学生逐条核对、教师审核后才成为正式成果，不得直接流入提交版本。
• 每条结果可追溯、可退回。 记录人工还是机器产生、模型版本、生成时间与把握程度，界面明确标识，随时可撤回改回人工。
• 不碰专业判断与实物责任。 实体工艺选择、修复验收、成绩认定仍由教师负责。AI 生成的补配效果图只作示意，加标记并与原图、处理图分开保存，不作为修复完成的证据。
• 二期不做模型训练。 全部采用现成模型、开放接口与传统算法，不组织标注、不做微调、不自建训练集。这直接决定能力边界：机器只承担定位、转写、比对、生成示意这类通用工作，凡需要古籍修复专业知识才能判断的部分一律留给师生。

图8：AI 辅助下的任务总流程

服务不可用或超出额度时自动退回一期人工流程，课堂不中断。未经学生逐条确认的草稿不计入完成进度，也不能提交。

图9：AI 辅助文字识读与校对，对应图4

机器初稿与学生定稿分别保存，改动统计供教师判断学生是否真正核对。未经核对的识别结果仍标为机器来源，不能充当校订成果。

图10：AI 辅助知识整理，对应图5

机器候选不自动成为知识卡片，未判断的候选不计入成果数量。否决记录同样保留，可作为学生理解程度的评价依据。

图11：AI 辅助病害圈选与方法参考，对应图3

不训练的前提下，模型只负责“圈得准”，不负责“判得对”。病害类型、程度与处理方法全部由学生判定、教师审核；方法参考是按学生填写的类型去检索教师已审定的案例库，属于检索与条件匹配，不是模型推断。这样既免去标注与训练投入，又把专业判断完整留在教学环节里，反而更贴合课程目标。成对资料继续归档，是否值得训练留到三期再评估。

二期能力优先级

建议二期先做文字与知识两块：投入小、效果直观、对一期结构冲击最小，正好补上一期最费人工的环节。

AI 技术在不训练前提下的可参与程度

针对需求中提出的图像分割、图像修复模型、古籍专项 OCR、智能勘误算法四项，结论是四项都能参与，但参与方式与原设想不同：都改为使用现成能力，把需要专业知识的判断交回师生。

智能勘误这一项最值得优先做，它本来就不需要训练，且能与课程内容严丝合缝地对应：

字表与权威文本属于教学资料录入，不是模型训练，由教师提供后系统直接使用，这也正是一期第六节“需学校与教师提供的教学资源”的自然延伸。

两条技术路线

也可混合：公开教学案例走外部服务，未公开文献走校内部署。古籍识别应选用已针对古籍的现成模型或开放平台，通用识别对竖排、异体字与批注效果通常不足；因二期不做微调，选型只能靠实测比选。两条路线都要设置调用上限与失败兜底，如图8所示退回人工流程。

路线一价格参考：以 DeepSeek 开放平台为例

需注意上述价格只适用于纯文本环节，即知识抽取、断句标点、评语建议与问答助手。古籍文字识别与病害识别需要能看图的模型，费用另计，DeepSeek 目前不提供视觉模型，需另选视觉服务商或按路线二自建。图片输入的 token 消耗远高于文本，涉及批量识图时须先用实际课件做小批量试算，再确定额度。

路线二自建推荐模型

以下均为直接部署现成权重做推理，不含训练与微调。

不建议自建满血级大模型（DeepSeek-V3、R1 等 600 亿参数以上的原版）：需要 8 卡整机，采购与机房改造在数十万元以上，50 人教学场景远用不满，这类能力用路线一更合适。自建应以 14B 至 32B 级别模型加专用小模型为主。

不做训练也就不需要训练用显卡集群、标注工具与标注人力，这是二期成本能够控制住的主要原因。模型迭代很快，以上为二期规划时的可用选型，正式部署前按当时的最新稳定版本与授权条款复核。开源模型的商用授权范围需逐个确认后写入交付清单。