LLM驱动的考古报告自动化信息提取：从概念验证到生产级引擎

韩国heripo-lab团队开发了基于大语言模型（LLM）的考古报告自动化元数据提取PoC项目，并在此基础上开源生产级引擎heripo engine。该项目解决了考古报告PDF非结构化信息难以检索分析的痛点，通过端到端流水线实现结构化提取，已发表学术论文并衍生出跨领域技术生态。

考古学领域大量PDF格式发掘报告含丰富非结构化信息，人工录入成本高且难以应对海量文献。韩国heripo-lab团队针对此痛点，开发基于LLM的自动化元数据提取管道，相关成果发表于《Heritage: History and Science》期刊，记录从概念验证到部署的全过程。

系统核心流程分三阶段：1.文档解析预处理：提取PDF文本（假设含可选中文字层，扫描版需额外OCR）；2.LLM驱动信息提取：通过提示词工程识别遗址名称、年代、文物清单等关键元数据；3.数据标准化输出：转换为统一格式，为知识图谱构建奠定基础。

团队选取三份代表性韩国考古报告（扶余花智山百济果园遗址、济州항파두里항몽遗址内城址、公州石장里旧石器遗址）测试，结果显示LLM方案能准确识别关键信息，大幅减少人工工作量。

2026年1月开源的heripo engine在PoC基础上升级：整合Docling SDK实现扫描PDF OCR；Apple Silicon原生GPU优化支持本地化处理；TypeScript monorepo架构+100%测试覆盖率提升工程质量；可扩展数据管道适应不同机构需求；兼容多LLM提供商（OpenAI、Anthropic等）。

项目技术积累衍生出LLM Newsletter Kit，构建类型安全的AI新闻简报引擎，支撑覆盖62数据源的Research Radar服务，每周自动生成分发简报，单次成本0.2-1美元，点击率达15%，显示核心技术的跨领域通用价值。

启示：领域知识与AI深度融合是关键；分阶段开发（PoC验证→生产重构）降低风险；开源协作加速演进。展望：多模态模型整合图像理解能力；跨语言模型助力跨国考古数据整合，为全球文化遗产研究提供基础设施。