《Systems》：An Intelligent Museum Agent Framework (IMAF): A Design Science Research Approach to Agentic AI in Museums
编辑推荐：
尽管博物馆正越来越多地将大型语言模型（LLMs）整合到其运营中，但当前的应用仍主要局限于诸如聊天机器人和文档管理等狭窄任务。虽然代理人工智能（agentic AI）的出现提供了更高级的自主能力，但现有框架主要针对通用环境设计。因此，它们为作为复杂社会技术系统、
尽管博物馆正越来越多地将大型语言模型（LLMs）整合到其运营中，但当前的应用仍主要局限于诸如聊天机器人和文档管理等狭窄任务。虽然代理人工智能（agentic AI）的出现提供了更高级的自主能力，但现有框架主要针对通用环境设计。因此，它们为作为复杂社会技术系统、受严格机构使命、道德责任和运营约束支配的博物馆所提供的指导有限。由于这些复杂性，代理人工智能在实际博物馆环境中的部署仍极具挑战性。目前，缺乏专门针对博物馆独特需求的系统级代理人工智能架构。为填补这一空白，本研究采用设计科学研究（DSR）范式，提出了智能博物馆代理框架（IMAF）。该框架通过引入一个用于上下文的双模块来系统地执行机构和运营约束，从而扩展了现有的通用代理架构。此外，它还具有一个基于文化遗产数据的集成记忆结构，以确保事实可靠性。最终，IMAF为探索领域约束自主性的博物馆提供了一个概念性系统集成指南，并为未来的实施和实证验证奠定了基础。
**研究背景与问题**
随着大型语言模型（LLMs）的快速发展，博物馆领域开始尝试将其应用于聊天机器人、文档管理、导览服务等狭窄任务，但这些应用缺乏系统级架构。同时，代理人工智能（agentic AI）的兴起带来了更高级的自主推理与执行能力，然而现有框架主要面向通用环境设计，未能考虑博物馆作为复杂社会技术系统的特殊性——包括严格的机构使命、道德责任、运营约束（如空间、时间、设施条件）以及知识权威性要求。由于缺乏适配博物馆的架构，代理AI在实际部署中面临巨大挑战。因此，本研究旨在填补这一空白，通过设计科学研究（DSR）范式，提出一个面向博物馆的代理AI架构，以支持领域约束下的自主性。
**研究内容与结论**
研究人员采用设计科学研究范式，在Weng提出的通用代理架构（包括大脑、记忆、规划、工具使用）基础上，扩展了上下文模块（Context），将其分为机构上下文（Institutional Context）和运营上下文（Operational Context），以系统性地强制执行机构政策与运营约束。同时，集成了基于文化遗产知识图谱的记忆结构（Heritage and Archive），确保事实可靠性。通过两个场景案例（访客个性化导览与策展人员辅助决策）演示了框架的运作机制，并基于逻辑走查进行了定性评估。结论表明，IMAF能够将机构治理与运营约束嵌入推理循环，实现领域约束自主性，为博物馆探索AI应用提供了概念性系统集成指南。该论文发表在《Systems》上。
**关键技术方法概述**
本研究采用设计科学研究（DSR）范式，以Weng提出的通用代理架构（大脑、记忆、规划、工具使用）为基础，扩展出五大组件。关键方法包括：上下文模块（Context）的双分结构（机构上下文与运营上下文），用于定义约束规则；记忆模块（Memory）采用知识图谱（Knowledge Graph）对齐CIDOC CRM（概念参考模型），实现关系型检索；规划模块（Planning）使用链式思维（Chain-of-Thought, CoT）提示与自我反思机制进行任务分解；行动模块（Action）通过代码解释器（Code Interpreter）、内部API集线器（Internal API Hub）和外部API集线器（External API Hub）执行工具调用。框架通过层级架构（上下文层、大脑层、记忆与规划层）实现治理约束下的自主推理。无特定样本队列来源。
**研究结果**
**4.1 智能博物馆代理框架概述**
通过DSR过程设计了IMAF，其以Weng的架构为基础，新增上下文组件并细化现有模块，旨在整合机构约束与结构化知识资源。框架由五个组件构成：大脑、上下文、记忆、规划、行动，通过层级控制与水平交互轴运作。
**4.2 上下文组件（治理与约束）**
上下文组件分为机构上下文和运营上下文。机构上下文涵盖解释政策、伦理要求、权利许可、保护规则等稳定约束；运营上下文涵盖实时空间、时间、设施等动态条件。通过机构许可性、运营可行性、数据充分性三重检查，决定候选计划是否允许执行、需修订或需人工审核。
**4.3 大脑组件**
大脑作为中央协调模块，利用LLM推理能力，并通过角色与语调控制器（Persona and Tone Controller）实现双接口（Dual Interface）：面向访客时采用讲解员模式，面向员工时采用助手模式，确保输出与机构身份一致。
**4.4 记忆组件**
记忆组件包括感知缓冲（Perceptual Buffer）用于即时输入、活动交互上下文（Active Interaction Context）用于短期对话历史，以及长期遗产与档案层（Heritage and Archive）提供结构化知识图谱访问，支持关系型检索与溯源感知，确保事实可靠性。
**4.5 规划组件**
规划组件采用链式思维（CoT）提示与自我反思机制分解复杂任务，并在候选计划执行前参考机构上下文与运营上下文进行约束检查，确保与机构要求及运营条件一致。约束处理逻辑决定计划是否可执行、需修订、需确认或应阻止。
**4.6 行动组件**
行动组件通过代码解释器、内部API集线器（访问CMS、IoT传感器等）和外部API集线器（外部数据库、公共平台）执行工具调用，并设置门控执行：低风险可逆操作自动执行，高风险操作需人工确认，涉及专业判断的任务不委托给代理。
**5.1 场景1：个性化访客参与与情境感知策展**
通过访客请求分析，IMAF展示如何在机构约束（如解释与语调）与运营约束（如实时容量）下动态调整路线，并利用知识图谱提供基于关系的历史叙事，最终通过内部API集线器交付导航与音频导览。
**5.2 场景2：运营员工支持与伦理决策**
针对策展人员请求，IMAF通过机构上下文识别文物涉及返还讨论，建议使用数字复制品；通过运营上下文发现目标展厅气候控制故障，推荐替代空间；并调用代码解释器分析历史访客数据，输出结合伦理、空间与数据洞察的提案。
**6.1 目标导向定性评估**
基于可靠性、对齐性、适应性、多功能性四个标准，通过逻辑走查评估：可靠性由遗产与档案层保障；对齐性由上下文模块强制执行机构约束；适应性由运营上下文动态调整路线；多功能性由双接口支持不同角色。证明框架在概念层面具有内部一致性与目标一致性。
**6.2 技术可行性与代理编排**
采用CrewAI风格的编排模式作为参考模型，展示了如何通过伪代码将机构上下文、运营上下文、知识图谱API等配置为输入，并实现层级编排。关键输入（政策、条件、任务）可用自然语言表达，表明框架在现有技术条件下可实现。
**讨论与结论**
**讨论总结**
在理论层面，本研究将通用代理架构重构为层级结构，将机构治理与运营约束作为系统调节器嵌入推理循环，并强调记忆设计中结构化知识（如知识图谱）对于事实一致性的重要性。在实践层面，IMAF为博物馆提供概念性指南，使其在保持机构权威的同时整合代理AI，通过治理层平衡个性化体验与机构责任，并支持资源有限的机构以标准化方式实施AI服务。在伦理层面，框架将伦理约束作为机构上下文的部分，而非事后审查，但实际部署仍需人工审核机制与隐私保护措施。局限性包括：框架假设一定的数字基础设施（如结构化数据、API接口），对小型博物馆可能不适用；评估仅为概念性逻辑走查，缺乏实证验证；存在算法偏见、数据隐私等风险，未来需集成人在回路机制。
**研究结论**
最终，IMAF为探索领域约束自主性的博物馆提供了一个概念性系统集成指南，并为未来的实施和实证验证奠定了基础。该框架形式化了如何在机构问责制下行使基于AI的自主性，使AI服务在适应情境运营需求的同时保持与博物馆权威一致。
