人工智能与历史学

汪乾明

目录

  • 1 课程介绍
    • 1.1 基本情况
    • 1.2 课程大纲
    • 1.3 学习建议
    • 1.4 课程规则
  • 2 AI 与史学：理论与方法
    • 2.1 人文的危机与历史学
    • 2.2 从数字人文到数字史学
    • 2.3 历史研究的智能化：AI史学
    • 2.4 章节习题
  • 3 人工智能概述
    • 3.1 人工智能原理
    • 3.2 关键概念
      • 3.2.1 Token：语言原子
      • 3.2.2 向量（Vector）与向量化(Vectorization)
      • 3.2.3 规模定律（Scaling Law）
      • 3.2.4 权重（Weights）**和**参数（Parameters）
      • 3.2.5 上下文窗口（Context Window）
    • 3.3 人工智能工具与应用
    • 3.4 人工智能的挑战与伦理
  • 4 个人知识管理系统的建构
    • 4.1 AI+文献管理系统的搭建（Zotero）
    • 4.2 AI+个人知识管理系统的建构（Obsidian）
    • 4.3 AI+科研工作流的搭建及其优化
      • 4.3.1 大语言模型的本地化部署（LM Studio)）
      • 4.3.2 Zotero-Obsidian 工作流优化
    • 4.4 章节作业
  • 5 提示工程与历史研究
    • 5.1 提示工程概述
    • 5.2 提示技术与历史研究
    • 5.3 提示工程在历史研究中的实际应用
    • 5.4 提示工程的局限性与未来发展
    • 5.5 章节作业
  • 6 历史文献数字化技术初步
    • 6.1 课程讨论
    • 6.2 历史数据的来源与类型
    • 6.3 资料收集与数字化
    • 6.4 AI+OCR的应用
    • 6.5 历史文本数据与知识图谱
    • 6.6 章节习题
  • 7 AI在历史研究中进阶应用
    • 7.1 Neo4j图数据库
    • 7.2 Neo4j图数据库在历史研究中的应用
    • 7.3 AI-Neo4j 知识图谱的应用
    • 7.4 Neo4j 图数据库导出
    • 7.5 章节习题
  • 8 面向历史研究的AI应用构建
    • 8.1 AI应用开发框架与历史研究
    • 8.2 在腾讯云部署Dify
    • 8.3 Dify & Cherry Studio 联动
    • 8.4 Dify知识库创建
    • 8.5 讨论与分享
    • 8.6 智能体展示与评估
    • 8.7 章节习题
    • 8.8 测试题
提示工程的局限性与未来发展