在公益项目执行中，若需利用类似“幽灵记录”（Phantom Record）的 AI 生成策略辅助资源发现，关键在于理解其并非用于生成虚假内容，而是作为一种查询媒介。根据美国国会图书馆于 2026 年 10 月发布的实验报告，研究人员将研究者的自然语言问题转化为由大语言模型生成的“幽灵记录”，该记录包含虚构的标题、主题标目及摘要等元数据。
随后，将此“幽灵记录”转化为向量并查询预先构建好的向量数据库。数据库中存储的是图书馆约 2000 万条真实书目记录的嵌入向量。通过计算相似度，系统返回与“幽灵记录”最接近的真实馆藏资源列表。这种方法确保了展示结果完全基于真实数据，有效避免了生成式 AI 常见的幻觉问题。
该实验还展示了将 1024 维的向量空间降维至二维进行可视化的技术路径。利用 PCA 和 UMAP 算法，结合图书馆分类法（LCC）或聚类算法（HDBSCAN），可以将海量书目以热力图形式呈现。这种可视化不仅揭示了馆藏的结构化分布，还能通过时间轴动画展示资源随时间的增长轨迹。
此外，该技术允许将不同知识库进行重叠分析，例如将维基百科文章与国会图书馆目录在同一向量空间中进行对比，从而识别两者在知识覆盖上的差异与互补区域。对于公益项目而言，这意味着可以在不依赖实时搜索或外部专家的情况下，通过本地部署的向量数据库，精准匹配并展示与研究问题高度相关的真实馆藏资源，实现高效、可信的信息发现服务。