超越相似性：古典中国史籍互文性的锚定代理式提取与专家裁决评估

该论文将古典中文史籍中的互文性提取重构为代理式任务，让大型语言模型通过受限工具接口，在精确字符跨度上支撑每次复用，并标注五维类型。研究以《论语》和《汉书》为例，由三位领域专家裁决，构建了包含2533个互文对的基准，并测试了十二个LLM。扩展到《二十四史》后，恢复了语料级别的结构，发现引用在十八个世纪中保持稳定，但逐字引用减少。

传统互文性计算方法仅提供相似度分数和相似段落列表，不能描述复用方式。该研究引入代理式LLM，结合精确字符锚定和五维类型标注，提供了更细致的分析，并通过专家裁决构建基准，为评估LLM在文本分析中的可靠性提供量化依据。

代理式LLM通过工具接口强制模型在精确字符跨度上支撑每次复用，并标注五维类型，确保提取的准确性。专家裁决池化多模型候选集，形成高质量基准。模型性能差异大，精度在56%到93%之间，成本差异达51倍。专家一致性揭示了表面可见的维度标注可靠，而需推理意图的维度存在争议。扩展至大规模语料可恢复相似度无法表达的结构。

该研究对文化遗产数字化产品有直接价值，可提升文本分析工具的互文性检测能力。对LLM在专业领域的应用，提供了评估框架，帮助选择性价比高的模型（成本差异51倍）。但依赖专家裁决，成本较高，需平衡质量与成本。

• 开发基于代理式LLM的互文性提取工具，用于古籍数字化平台，提供精确的文本关联分析。
• 利用该基准（2533个互文对）作为评测集，评估并优化LLM在文本分析任务上的表现，降低推理成本。
• 将五维互文性标注维度整合到历史研究工具中，自动标注引用形式、功能等，辅助学者分析。
• 探索将方法扩展到其他语言或现代文本，提供跨语料的互文性分析服务。

• 论文中的方法是否适用于其他语言或现代文本？
• 在缺乏领域专家时，如何保证标注质量？
• 不同LLM的性能差异（56%-93%）的具体原因是什么？
• 成本差异51倍的具体模型和配置是什么？