核心观点：智谱GLM适合结构化推理、工具调用、表格与代码草案、评价框架和反证设计；它不能替代真实数据、方法论选择、统计检验和业务审批。

一、工具概览与业务定位

GLM系列由北京智谱华章科技有限公司开发。公众可通过智谱清言使用对话服务，开发者可通过开放平台调用文本、多模态、智能体和工具能力，部分模型与研究资源在开源社区发布。智谱清言；开放平台；官方文档

在图书馆中，GLM适合把“想评估一个项目”转成指标、数据、比较和反证框架，尤其适合培训中的方法拆解。模型提出的指标只是候选，不能代替研究设计。

二、访问方式、功能与费用

• 智谱清言网页与客户端适合个人试用，免费次数、会员功能和模型以界面为准。
• API采用模型与token等维度计费，支持结构化输出、工具调用和多模态能力；应在模型概览和控制台核对现行价格。
• 官方更新页会调整旗舰和免费模型，版本发布比二手教程更可靠。
• 本地或开源部署需另行核查对应仓库、许可证、硬件与数据安全。

三、适用边界

GLM能帮助提出变量、量表条目、访谈问题、风险和分析步骤，但不能判断样本是否代表总体，也不能凭虚构数据验证结论。涉及统计推断时，必须使用真实数据、预注册或明确分析方案，并由具备方法能力的人员复核。

四、六类图书馆场景

1. 参考咨询：建立答复要素和证据等级。
2. 课题检索：形成PECO/PICO式问题与检索概念。
3. 学科服务：设计调研指标、访谈框架和数据字典。
4. 阅读推广：建立活动目标—指标—数据来源链。
5. 馆员培训：展示错误标签或假设如何改变结论。
6. 事实核查：生成主张拆分、反证和不确定性清单。

五、七步标准流程

1. 明确决策问题，而非直接要求“设计问卷”。
2. 列出利益相关者、现有证据和数据限制。
3. 将目标转为可观察指标。
4. 为每项指标指定数据来源、时间窗和阈值。
5. 要求提出替代解释与反证。
6. 用小样本试测，检查理解和可收集性。
7. 固化版本、伦理审查、数据字典和分析责任。

六、三个可复现案例

案例一：设计馆员AI培训评估框架

任务背景

管理者要判断培训是否带来岗位能力变化。

操作步骤

输入培训目标；要求建立逻辑模型；补充可收集数据；生成反证清单；由培训与研究方法人员校订。

可直接复制的提示词

为“图书馆员AI工具培训”建立评价框架。按投入、活动、即时产出、短期能力、岗位迁移五层输出；每项包含指标、操作性定义、数据来源、采集时间、最低可接受标准、可能的替代解释。另列出8条反证清单，说明哪些结果看似有效但不能证明培训造成了改变。

预期输出

逻辑模型、指标字典和反证清单。

馆员人工复核要点

指标是否可获取；是否把自我报告当能力；是否存在选择偏差、测试效应和短期新鲜感。

案例二：设计数据库使用下降调研

任务背景

某数据库检索量下降，需区分需求变化、入口问题和统计口径。

操作步骤

提供已知现象；让模型列假设；为每个假设规定证据；删去无法验证项；再制定访谈和日志分析。

可直接复制的提示词

某学术数据库近6个月检索量下降30%。请不要直接给原因，先建立假设树，至少覆盖统计口径、认证入口、课程周期、替代资源、系统性能和用户认知。按“假设｜支持证据｜反证｜所需数据｜最低验证方法｜负责人”输出。未知信息标记，不得虚构使用数据。

预期输出

可执行的诊断计划。

馆员人工复核要点

确认统计定义和时间可比性；不依据单一访谈或模型猜测做停订决定。

案例三：为主题展评估设计观察表

任务背景

需要了解读者是否真正使用展览资源。

操作步骤

明确不采集身份；生成行为指标；检查观察者一致性；进行小规模试填。

可直接复制的提示词

为公共图书馆主题书展设计一张不记录个人身份的现场观察表。目标是了解停留、取阅、扫码、咨询和借阅转化。请给出字段、定义、记录周期、观察者培训规则和一致性检查；说明不能从这些数据推出哪些结论。

预期输出

匿名观察表和使用说明。

馆员人工复核要点

不记录可识别特征；借阅转化需合法的汇总统计；避免把停留时间直接解释为满意度。

七、新手最容易犯的八个错误

1. 先做问卷，后想研究问题。
2. 把抽象概念直接当指标。
3. 只列支持证据，不列替代解释。
4. 用虚构样本演示后忘记标注。
5. 让模型替代统计和伦理审查。
6. 把个人信息贴入公共聊天。
7. 不保存模型版本和提示词。
8. 采用旧教程中的模型名和价格。

八、隐私、数据安全与版权

问卷原始数据、访谈文本、员工绩效和读者行为数据属于高风险输入，不应上传个人账号。可先用虚构或聚合样本设计框架，再在批准环境中处理真实数据。API部署需实施密钥管理、访问控制、日志最小化和供应商协议审查。生成的量表题项也要检查是否改写了受版权保护的正式量表。

九、一页式操作清单

设计前

• 明确决策问题和利益相关者；
• 盘点能合法获取的数据；
• 只使用虚构或脱敏样本试验。

设计中

• 把目标转为可观察指标；
• 每项写明定义、来源、时间与阈值；
• 要求替代解释、反证和不能推出的结论；
• 小样本试测。

交付前

• 方法人员复核；
• 完成伦理、隐私和权限审查；
• 固化数据字典与版本；
• 不用模型生成结果替代真实分析。

十、结论与使用建议

智谱GLM适合帮助馆员把业务问题变成可检验框架。最有价值的输出不是一份“看起来完整”的报告，而是指标定义、证据需求、替代解释和待确认事项。真实数据、研究方法和最终决定必须由人负责。

参考来源与延伸阅读

1. 智谱清言，访问于2026年9月1日。
2. 智谱开放平台及API介绍。
3. GLM模型概览，当前模型能力。
4. 官方版本发布记录，动态更新。
5. GLM开源组织。
6. 项目内部资料：《面向图书馆工作的AI应用深度调研报告》及AI4L任务卡。

更新提示： 模型、价格、免费额度与协议会变化，机构接入前须以开放平台和合同为准。