用 AI 辅助学习古文：注疏、翻译、典故溯源一体化

用 AI 辅助学习古文注疏、翻译、典故溯源一体化一、个性化深度引言学古文有三个典型痛点读不懂字面意思、不理解背后典故、不知道这句话在整篇文章中的结构作用。传统学习方式是依靠注释本——在正文下方用小字标注读音、词义和典故出处。这种方法已经使用了两千年效果是经过验证的。但它有一个无法克服的局限注释是线性的、静态的无法根据读者的困惑度动态展开或收拢。一个高二学生和一个古文研究生的古文能力差距巨大但他们面对的可能是同一套注释。AI 可以改变这一点——根据读者的现有知识水平生成深度可调的注释和理解材料。见证奇迹的时刻在于读完一段古文后AI 不仅翻译了文字表面意思还自动关联了这篇文章的其他相关段落、这篇文章所引用的更古老的经典、历代名家对这段话的不同解读——所有信息按你的理解水平动态组织。二、个性化原理剖析AI 辅助古文学习的系统架构需要三层一体第一层翻译注疏这是最基础的层次。但与机器翻译不同的是古文翻译需要保留原文中不可翻译的部分——人名的字号、地名沿革、典故的压缩表达。翻译策略是直译 括号补充原文学而时习之不亦说乎译文学习了然后按时温习不也是令人愉快的吗说通悦愉快注释需要分级。对初学者每个生僻字都要注音释义。对进阶者只需标注不常见的通假字和一词多义情况。第二层典故溯源这是 AI 的核心优势所在。古文中的典故引用极其频繁——一篇文章可能引用十几处更古老的经典。人工查找这些出处的成本极高但 AI 可以基于全文向量检索快速定位典故来源。更重要的是用典意图分析。引用一个典故不仅仅是这里有出处而是作者为什么在这个地方引用这个典故。屈原用香草自比、韩愈用千里马来讨论人才——这些用典背后是固定的文化符号体系。第三层章法评析古文的结构通常有固定法式。起、承、转、合是基本框架。AI 可以标注每个段落的章法功能帮助读者理解作者的行文思路。同时标注文中的修辞手法——对偶、排比、比喻、典故——这些是古文美的来源也是考试的常考点。三、个性化代码实践三层一体古文学习系统的核心实现from typing import List, Dict, Optional from dataclasses import dataclass dataclass class AnnotationLevel: 注释深度等级 BEGINNER beginner # 每个生字都注音释义 INTERMEDIATE intermediate # 只注生僻字通假字 ADVANCED advanced # 只注学术争议点 class ClassicalChineseTutor: AI辅助古文学习系统 设计原因三层一体的架构翻译/典故/章法 每一层独立可迭代深度根据读者水平动态调整。 def __init__(self, llm_client, vector_db): self.llm llm_client self.vector_db vector_db # 存储古籍全文的向量库 # 预加载常见典故词库降低LLM调用次数 self.common_allusions self._load_allusion_dict() def analyze_passage(self, passage: str, level: str beginner, source: str ) - Dict: 分析一段古文 设计原因三层分析可以并行执行。 调用LLM的成本较高实际系统中可对高频 经典篇章做缓存避免重复分析。 return { annotation: self._annotate(passage, level), allusions: self._trace_allusions(passage), rhetoric: self._analyze_rhetoric(passage), cross_references: self._find_cross_references(passage), structure: self._analyze_structure(passage), } def _annotate(self, passage: str, level: str) - Dict: 基础注疏翻译 设计原因不同注释深度对应不同的Prompt约束。 beginner级别要求对每个实词都给出释义。 advanced级别只需要处理学术存疑的内容。 level_prompts { beginner: 请对以下古文进行详细注释 1. 逐字注音生僻字、多音字标注拼音 2. 每个实词给出释义 3. 标注通假字并说明本字 4. 逐句翻译为白话文 5. 标注特殊句式宾语前置、状语后置等 , intermediate: 请对以下古文进行注释 1. 生僻字和通假字标注拼音和释义 2. 多义词在本文中的具体含义 3. 逐句翻译为白话文 4. 标注关键语法现象 , advanced: 请对以下古文进行学术性注释 1. 标注历代注家存在分歧的字词解释 2. 说明文本校勘中的重要异文 3. 分析语言风格和修辞意图 4. 关联同时期其他作品的用语特点 } prompt f{level_prompts.get(level, level_prompts[beginner])} 【待注释古文】 {passage} 请按以下JSON格式输出 {{ characters: [ {{char: 字, pinyin: zì, meaning: 释义, notes: 通假/异体等说明}} ], sentence_translations: [ {{original: 原文句, translation: 白话翻译}} ], grammar_notes: [语法现象1, 语法现象2], special_terms: [特殊术语及其解释] }} response self.llm.generate(prompt) return self._parse_json(response) def _trace_allusions(self, passage: str) - List[Dict]: 典故溯源 设计原因先用本地典故词库做快速匹配 未命中时再用向量检索在古籍全文库中搜索。 分层检索策略降低LLM调用成本。 allusions [] # 第一轮本地典故词库匹配 for allusion_name, allusion_info in self.common_allusions.items(): if allusion_name in passage: allusions.append({ name: allusion_name, source: allusion_info[source], original_text: allusion_info[text], common_meaning: allusion_info[meaning], method: dict_match }) # 第二轮语义检索针对词典未覆盖的典故 # 提取段落中的关键词 key_phrases self._extract_key_phrases(passage) for phrase in key_phrases: # 向量检索相似典故 similar self.vector_db.search(phrase, top_k3) for result in similar: if result[similarity] 0.85: allusion self._identify_allusion(result[text]) if allusion: allusion[method] semantic_search allusions.append(allusion) # 第三轮用LLM分析用典意图 if allusions: intent_prompt f以下古文中使用了若干典故请分析每个典故的用意 【古文】 {passage} 【已识别的典故】 {self._format_allusions(allusions)} 请分析 1. 每个典故在本文中的具体喻意 2. 作者用这些典故想表达什么 3. 如果用其他典故替代效果有何不同 intent_analysis self.llm.generate(intent_prompt) allusions.append({ name: 用典意图分析, analysis: intent_analysis, method: llm_analysis }) return allusions def _analyze_rhetoric(self, passage: str) - Dict: 修辞手法识别 设计原因古文修辞有一定规律。 对偶句有字数相等特征 排比句有结构重复特征 可以先做句式分析再做修辞标注。 # 分句 sentences self._split_into_sentences(passage) rhetoric_devices [] # 检测对偶两句字数相同、结构相似 for i in range(len(sentences) - 1): if len(sentences[i]) len(sentences[i1]): # 进一步检查词性对仗可接入分词词性标注模型 rhetoric_devices.append({ type: 对偶, lines: [sentences[i], sentences[i1]], position: i }) # 检测排比连续三句以上结构相似 # 简化版检测连续句子的首字或首词重复 for i in range(len(sentences) - 2): first_word sentences[i][:2] if len(sentences[i]) 2 else sentences[i] if all(s.startswith(first_word) for s in sentences[i:i3] if len(s) 2): rhetoric_devices.append({ type: 排比, lines: sentences[i:i3], position: i, repeated_word: first_word }) return { devices: rhetoric_devices, sentence_count: len(sentences), analysis: self._classify_style(sentences) } def _find_cross_references(self, passage: str) - List[Dict]: 跨文章呼应检索 设计原因古文存在大量互文现象。 《论语》某章的某个观点 在《孟子》或《荀子》中有可能的继承或回应。 去重后用向量检索找出语义最相近的段落。 references [] # 提取段落的核心观点句 key_sentences self._extract_topic_sentences(passage) for sentence in key_sentences: results self.vector_db.search( sentence, top_k5, filter{exclude_source: self._get_source(passage)} ) for r in results: if r[similarity] 0.8: references.append({ original: sentence, reference_text: r[text], reference_source: r[source], similarity: r[similarity], relation_type: self._classify_relation( sentence, r[text] ) }) # 去重 seen set() unique_refs [] for ref in references: key ref[reference_text][:50] if key not in seen: seen.add(key) unique_refs.append(ref) return unique_refs def _analyze_structure(self, passage: str) - Dict: 章法分析 设计原因用LLM分析文章结构最有价值。 段落功能起承转合、论证逻辑链 是原文理解最核心的部分。 prompt f请分析以下古文的章法结构 {passage} 分析要求 1. 标注每个段落的功能起/承/转/合 2. 画出全文的论证逻辑链 3. 分析开篇和结尾的呼应关系 4. 评析文章结构的优劣 JSON格式输出。 response self.llm.generate(prompt) return self._parse_json(response) def _load_allusion_dict(self) - Dict: 加载常见典故词库 return { 三顾茅庐: { source: 《三国志·蜀书·诸葛亮传》, text: 先帝不以臣卑鄙猥自枉屈三顾臣于草庐之中, meaning: 比喻诚心诚意邀请或拜访 }, 青出于蓝: { source: 《荀子·劝学》, text: 青取之于蓝而青于蓝, meaning: 比喻学生超过老师或后人胜过前人 }, 塞翁失马: { source: 《淮南子·人间训》, text: 塞翁失马焉知非福, meaning: 比喻坏事在一定条件下可变为好事 }, 毛遂自荐: { source: 《史记·平原君虞卿列传》, text: 毛遂自荐于平原君, meaning: 比喻自告奋勇推荐自己 }, } def _extract_key_phrases(self, passage: str) - List[str]: 提取段落关键词 return [passage[i:i4] for i in range(0, len(passage), 4) if i4 len(passage)] def _extract_topic_sentences(self, passage: str) - List[str]: 提取主题句 sentences self._split_into_sentences(passage) return sentences[:3] # 前3句通常是主题句 def _split_into_sentences(self, text: str) - List[str]: 按标点分句 import re return [s.strip() for s in re.split(r[。], text) if s.strip()] def _classify_relation(self, text1: str, text2: str) - str: 分类两段文字的关系类型 return 呼应 # 简化 def _classify_style(self, sentences: List[str]) - str: 分析文风 avg_len sum(len(s) for s in sentences) / max(len(sentences), 1) if avg_len 8: return 简洁 elif avg_len 20: return 繁复 return 适中 def _get_source(self, passage: str) - str: return def _format_allusions(self, allusions: List[Dict]) - str: return \n.join([f- {a[name]}出自{a[source]}{a[common_meaning]} for a in allusions if source in a]) def _parse_json(self, response: str) - Dict: import json try: return json.loads(response) except json.JSONDecodeError: return {raw: response} def _identify_allusion(self, text: str) - Optional[Dict]: 识别文本中的典故 for name, info in self.common_allusions.items(): if name in text: return {name: name, **info} return None核心设计逻辑三层检索策略本地词典→向量检索→LLM 分析成本递增但精度递增深度可调注释beginner/intermediate/advanced 三级注释深度按需展开典故意图分析不仅追溯出处还分析为什么用这个典故跨篇章关联在古籍全文中检索语义相似段落找出互文呼应四、个性化边界权衡能力AI 能做的AI 的局限人机理想分工字面翻译准确率 90%对言外之意处理弱AI翻译→人审校语感典故识别覆盖面广冷门典故可能遗漏AI初筛→人补充用典分析模式识别强难以捕捉反讽/幽微修辞AI给候选→人确认章法评析结构分析好审美判断不足AI标注→人鉴赏情感共鸣几乎为零—完全人工见证奇迹的时刻在于跨篇章关联的功能。当你读《出师表》时系统自动找出《后出师表》的对应段落、诸葛亮其他书信的相关内容、甚至后世文人杜甫、陆游对出师表的评价诗作。这种跨文本网络是人工阅读需要花费大量时间才能建立的而 AI 可以在秒级完成。核心 Trade-off信息丰富度 vs 阅读干扰度。三层分析翻译典故章法的信息加在一起可能超过原文篇幅的 10 倍。如果一次性全部展示会严重干扰阅读体验。解决方案是渐进式展开——默认只显示基础翻译点击生僻字弹出注疏点击典故弹出溯源点击段落标题弹出章法分析。另一个关键边界AI 对古文审美维度的评价能力几乎为零。AI 可以告诉你《岳阳楼记》用了几个排比句但无法告诉你为什么这些排比句读起来让人心潮澎湃。古文学习中最有价值的部分——审美体验和情感共鸣——仍然完全依赖教师的引领。五、总结AI 辅助古文学习应实现注疏翻译、典故溯源、章法评析三层一体化。三层检索策略本地词典→向量检索→LLM 分析以递增成本换取递增精度。注释深度应根据读者水平动态分级beginner/intermediate/advanced避免信息过载或信息不足。跨篇章语义关联是 AI 的核心优势可建立人工阅读难以在短时间内构建的文本网络。典故分析应包含出处追溯和用典意图分析两个层次。信息丰富度与阅读体验之间存在张力渐进式展开点击展开详细信息是有效的折中策略。AI 在审美判断和情感共鸣维度能力为零古文鉴赏核心仍依赖人的引领。