引言

蜀绣是首批国家级非物质文化遗产，包含着巴蜀地区两千多年的审美智慧。不过，在工业化和数字化浪潮里，蜀绣的活态传承遇到了严峻挑战。一种情况是，“师徒口传心授”的传统模式效率不高，大量依靠身体感知的隐性知识，像针法力度、色彩过渡的“火候”这些，很难进行系统记录，有流失的风险。二是蜀绣的现代化转型处于两难境地：缺乏创新容易造成产品和当代生活脱节，要是盲目引入新元素，可能会损害文化本真性，形成“似是而非”的传统。

最近几年，非遗数字化保护已经从“记录存档”发展到了“理解重构”。知识图谱技术可以对非遗项目的实体、属性和语义关系进行结构化建模。生成式人工智能（AIGC）表现出了强大的图像生成能力，为传统纹样创新提供了高效的工具。不过，现有的研究有的只关注数字化展示平台，有的只是初步探索AIGC的应用，很少有人把知识图谱的文化推理能力和AIGC的生成能力深度结合起来。这样造成了两个结果：一个是AIGC生成的结果没有文化逻辑支持，容易出现历史 and 语义方面的错误；另一个是设计师还是需要大量人工去校验，效率提高得有限。

为了填补上面提到的空白，本研究提出并达到了一个基于知识图谱和AIGC协同的蜀绣辅助设计整体，目的是把隐性知识变成显性的，让设计过程实现智能化，给蜀绣从“抢救性保护”向“生产性保护”转型提供技术模式。

一、相关研究

（一）非遗数字化传承研究进展

国内非遗数字化传承从2005年开始起步，在“十一五”文化发展纲要的推动下，发展速度变得很快。研究主要集中在三个方向。一种是数字化保存与再现技术，会使用高精度扫描、VR等手段来进行可视化记录。孟庆琳对蜀绣制作工艺的数字化展示方法进行了探讨。刘肖健提出“数字化赋能”理念，比如纸模竹编系统，证明了技术能够简化传统工艺。二是AIGC和非遗创新设计相结合。李加和张景尝试用生成式AI对蜀绣纹样进行风格化生成，验证了其应用潜力，不过对生成过程的文化约束方式探讨得还不够。第三是对知识图谱和文化认知计算进行探索。钟玲对蜀锦视觉元素做了系统分析，为知识形成提供了基础。不过，杨佳仪等基于CiteSpace的分析明确指出，现在的研究大多集中在“数字化”“保护”等宏观概念上，对“文化基因”“语义关联”等深层认知计算的研究还比较薄弱。

在国际上，非遗数字化的核心想法是创建“数字基因库”，来支持长期的活化。姚国章和刘增燕总结了一些有代表性的实践。美国的StoryCorps项目通过采集音视频，让公众能够参与进来。加拿大编制了数字化操作指南，还建设了数字博物馆。日本高精度复制了《松林图》，目的是追求原汁原味的保存。从这些实践可以看出，非遗数字化正在从单纯的“存档”，转变为“参与与创造”的双向模式。

（二）蜀绣研究的学术脉络与不足

对蜀绣进行的学术研究，主要是从艺术史、工艺学和设计学这几个方面开展的。郑雨婷从高校赋能的角度，探讨了大数据技术在蜀绣传承中的应用，谷若瑶提出了非遗保护和创新的双循环路径。虽然取得了丰富的成果，但还是有明显的不足。研究成果大多是描述性和经验性的，缺少对蜀绣知识模式进行系统性、形式化的建模。现代技术的应用大多停留在“技术辅助”的层面，没有达到“技术内化”。杨佳仪等的文献计量分析证明了这个情况，知识工程和深度学习在非遗领域的交叉研究还处于刚开始的阶段。

（三）知识图谱与AIGC的融合可能

知识图谱可以支持智能检索 and 推理，AIGC能够生成高保真的视觉内容。把这两者融合起来，也就是“知识增强的生成”，是目前AI研究的前沿方向。在文化遗产场景里，知识图谱能够提供领域约束，比如特定纹样一定要搭配特定针法，AIGC则在这个约束空间里高效地探索设计方案。Lei等人的实证研究表明，受众对非遗数字化展示的满意度在很大程度上依赖于“文化真实性”和“交互丰富性”，这给融合模式提供了用户需求方面的支持。不过，专门针对蜀绣的这类研究还没有相关报道。

二、研究方法与知识图谱构建

本研究按照“文化解析→知识建模→技术融合→系统实现”的技术路线来进行。把成都蜀锦织绣博物馆当作主要的调研地点，还对一位资深蜀绣传承人（蒋老师，从事蜀绣数十年，提出“无绣思维”理念）做了深度半结构化访谈。访谈围绕针法特色、传承困境、普及可能性、AI辅助设计等议题来开展，累计的时长大概有2小时。同时结合博物馆藏品研究和文献分析，提炼出蜀绣传承的核心痛点和知识模式。

（一）蜀绣传承痛点与机会点：基于传承人访谈的发现

我们对蒋、梅老师进行了深度访谈，还结合了博物馆调研，从中提炼出了三大核心痛点和相应的机会点：

痛点一：知识高度隐性化和碎片化。蒋老师说，蜀绣跟其他绣种不同的关键在于针法严谨。从古至今，针法都极为严谨，像常用的三二晕针，以3针加2针为一组，每一针的出针点位、落针比例都有严格要求。不过，这种严谨的知识通常以“手感”“眼力”的形式存在于传承人身上，很难进行系统记录。同时，蜀绣在20世纪80年代统计有130多种针法，分散在不同传承人和作品里。机会点：知识图谱可以把这些隐性、碎片化的知识转化成能够检索、推理的实体—关系网络。

痛点二：设计师存在“文化盲区”，和大众有审美代沟。蒋老师直接说，蜀绣传统的“绿底红花”配色已经不符合现代审美了。但是很多设计师因为对蜀绣文化内涵缺乏深入理解，在创作的时候，要么直接照搬传统图样，结果出现重复，要么随意组合，造成文化错误。比如，传统纹样“芙蓉鲤鱼”有它固定的象征模式，芙蓉代表高洁，鲤鱼代表富贵，随意拆分就会让文化含义丢失。机会点：带有文化知识库的辅助设计系统可以实时给出文化提示，同时，AI可以帮助进行符合现代审美的配色和构图创新。

痛点三：传承效率存在“长尾困境”，还面临经济压力。蒋老师说，蜀绣的学习周期特别长，“需要3—8年打基础，而且一辈子都学不完”，这种慢工细活的特点和快节奏的时代不相符。更重要的是，蜀绣在经济转化方面很慢，“学习期间要承担房租等各项开支，短期内很难盈利”，这就使得很多年轻人中途放弃。机会点：AI辅助系统没办法替代传承人，不过可以当作“助教”和“灵感伙伴”，帮助学习者加快设计能力的学习，减少入门的难度，让学习者能更快看到成果，这样就能缓解因为经济压力而导致的人员流失问题。

（二）蜀绣知识图谱的构建流程

根据上面的分析，设计并形成了蜀绣知识图谱（Shu-Embroidery KG），流程分为四个阶段。在形成的过程中，蒋老师对知识分类模式给出了重要建议，除了色彩、针法、材质、纹样这四大模块之外，还应该补充“纹样的文化内涵”（起源、寓意、应用场景）、“针法的操作细节与适用场景”“历史与流派”等内容，这些建议都被完整地纳入了本体设计。

1. 进行本体设计

核心实体类型有：纹样、针法、色彩、构图法则、题材、文化象征、传承人、历史时期。重要关系有“纹样—采用—针法”“纹样—组合—纹样”“色彩—具有—象征”等。蒋老师特意提到，蜀绣没有固定的色彩模式，传统题材有经典的配色，不过不是强制的，现代蜀绣更看重自然本色或者创意配色，这种灵活性在本体里通过“建议配色”和“可选配色”这两种属性来表现。

2. 多模态数据采集

数据从三个渠道进行采集。一是传承人访谈录音转录文本，大约有0.8万字。二是博物馆70余幅高清蜀绣藏品图像和文字说明。三是《蜀绣志》、学术论文等文献里的结构化信息。

3. AIGC辅助知识抽取

可以使用大语言模型对非结构化文本进行命名实体识别和关系抽取。比如说，从访谈记录“清代蜀绣《芙蓉鲤鱼》主要采用晕针表现花瓣层次”里，能够抽取出“芙蓉鲤鱼，纹样”“清代，时期”“芙蓉鲤鱼，采用，晕针”等三元组。同时，还可以利用图像分类模型对纹样进行自动标注。

4. 人机协同知识校验

邀请蒋老师对自动抽取的结果进行确认、修正或者删除。比如，蒋老师把某针法的归类错误进行了纠正，还补充了一条重要知识，即“锦纹针（蜀绣特色针法）常用于人物或装饰性物品，图案源于蜀锦经纬交织原理”。最后得到了200个经过专家验证的高质量三元组，把它们存储到了Neo4j图数据库中。

以“芙蓉鲤鱼”纹样为例，可以用知识图谱查询它使用的针法，像晕针、丝毛针等，还有主色调，比如粉、白、青，文化象征是“富贵高洁”，常见构图，以及传承人代表作品等很多语义关联。

三、辅助设计系统架构与实现

基于知识图谱，我们设计并实现了“蜀绣智绘”辅助设计系统原型。

（一）系统总体架构

整体由三层组成，分别是数据层，这里面包含知识图谱数据库和微调后的Stable Diffusion模型；还有逻辑层，有语义检索引擎、知识约束编码器、生成与反馈引擎；最后是应用层，也就是Web界面。

（二）知识检索模块

检索模块可以支持三种模式。第一种是精确查询，比如检索“晕针”，系统会返回所有使用晕针的纹样 and 案例。第二种是语义查询，用户输入“寓意吉祥的水族纹样”，系统经过推理会返回“金鱼（金玉满堂）、鲤鱼（富贵有余）”等。第三种是范例检索，用户上传纹样草图，系统会匹配并推荐最相似的经典范式。结果会以图卡列表 and 知识网络图的形式表现出来。

（三）AIGC约束生成模块

这个模块的核心创新点是“知识约束下的生成”，这个思路得到了蒋老师的认可。她在访谈里说，“AI适合处理基础入门级的内容，能通过标准化步骤复制固定的绣面和针法”，还强调要保证核心针法的标准性，“防止变形，保留蜀绣的本质特征”。

具体的流程是：用户设置设计约束，比如纹样设置成“芙蓉”，针法设置成“晕针”，色系设置成“粉白渐变”。系统会把这些约束转换成为结构化提示词，同时从知识图谱里检索出最接近的经典图像，把它作为“参考范例”嵌入进去。经过微调后的Stable Diffusion模型会生成4张候选纹样。用户可以对候选纹样进行“点赞、修改或重新生成”操作。针对蒋老师提出“现代蜀绣应趋向自然本色或创意配色”的建议，系统在配色生成模块中内置了“传统配色”和“创意配色”两种模式，供用户选择。

实验测试显示，和通用扩散模型相比，本整体生成的纹样在“针法可识别度”和“文化语义正确性”方面都有明显提高。“针法可识别度”由传承人进行盲评，识别准确率从28%提高到了71%，“文化语义正确性”则是指可以防止把吉祥纹样用在不合适的场景中。

四、讨论

（一）隐性知识的显性化边界

虽然知识图谱可以把大量的显性知识用形式化的方式表达出来，不过蜀绣里有一种“诗性知识”，就像蒋老师说的“作品的灵气”“针脚的韵味”，很难被离散的实体 and 关系完整地捕捉到。蒋老师强调，“蜀绣一辈子学不完”，其中一个原因就是这种超越规则的身体化知识。所以，这个整体定位为“辅助设计”，而不是“自动设计”，一直把人类的最终审美判断权保留着。

（二）普及与专业的平衡

蒋老师在访谈里提出了一个重要的看法，他说：“人人都会写字，但不一定要都成为书法家”。这个判断给AI辅助系统的设计提供了分层的策略。面向大众的材料包 and AI步骤应该着重“减少门槛”，使用简洁的针法，像齐针、铺针，用比较粗的绣线，还有简化的色块。而面向专业学习者的系统则要保留针法的完整 and 复杂程度。本系统的“入门模式” and “专业模式”就是根据这个思路来设计的。

（三）AIGC文化约束的平衡

如果约束太强，生成的结果就会缺乏新意。要是约束太弱，就会出现文化错误。本研究提出了“动态约束权重”的方式，也就是根据用户预先设置的“创新度”滑块（1-10级），来动态调整引导的强度。当创新度较低时，知识约束起主要作用。当创新度较高时，允许有更大胆的变异。初步的用户体验表明，这种方式在保证文化能够被识别的前提下，可以提供有启发性的新方案。

（四）局限性与未来方向

本研究有一些局限，知识图谱的规模有限，只覆盖了大约40种常用针法 and 60个常见纹样。AIGC生成的针法细节真实感不够，还没有进行大规模可用性测试。未来的工作会这样进行：通过众包模式来扩展知识图谱，和纺织工程专家一起开发针法模拟物理模型，开展设计师对照实验来定量评估系统效果。本模式有向其他织绣类非遗迁移的潜力。

五、结论

在蜀绣传承的过程中，面临着“隐性知识流失” and “创新与文化真实性失衡”这两个挑战。本研究通过对资深传承人的深度访谈，还有对博物馆的调研，找出了蜀绣传承中的重要问题，并且形成了第一个可以计算的蜀绣知识图谱。在这个图谱的基础上，设计了“知识约束下的生成”辅助设计系统，达到了在保证文化准确性的情况下，高效进行纹样创新。

本研究得到了下面这些结论。第一，知识图谱是实现非遗“隐性知识显性化”的有效工具，不过要以传承人的深度参与为前提。第二，知识图谱的符号化推理 and AIGC的联结主义生成能够有机协同，也就是“知识提供约束，生成提供探索”，这种范式可以推广到其他传统工艺。第三，在当前技术条件下，非遗数字化传承的现实路径是人机协同，而不是全自动化。本研究在理论方面丰富了文化遗产计算转译的方法，在应用方面提供了一个智能工具原型，蜀绣从业者、设计师 and 非遗机构都可以使用。希望这项探索能从技术与设计交叉的视角，为蜀绣乃至中国传统工艺的创造性转化 and 创新性发展贡献一份力量。

参考文献：

1. [1] 钟玲.非遗数字化保护视角下蜀锦的视觉化元素分析与研究[J].天工,2021(06):90-91.
2. [2] 杨佳仪,张杰,刘利平,等.非遗技术数字化保护的发展研究——基于CiteSpace的可视化分析[J].家具与室内装饰,2025,32(07):47-53.
3. [3] 姚国章,刘增燕.国外非物质文化遗产数字化保护与传承实践借鉴[J].东南文化,2022(06):179-185.
4. [4] 谷若瑶.数字化时代非遗保护与创新的双循环路径研究[J].大众文艺,2025(12):7-9.
5. [5] 李加,张景.美育视阈下的蜀绣AIGC创新设计与数字化推广研究[J].包装工程,2024,45(04):485-490.
6. [6] 孟庆琳.蜀绣制作工艺的数字化展示研究[J].美术教育研究,2019(03):42-44.
7. [7] 郑雨婷.大数据技术背景下高校赋能非遗数字化传承方法——以蜀绣为例[J].天工,2024(16):64-66.
8. [8] Lei Z ,Di F ,Jinlong Z . An Empirical Study on the Digital Display Design of Intangible Cultural Heritages Based on Audience Satisfaction [J]. Discrete Dynamics in Nature and Society, 2022.
9. [9] Yang Y ,Hussin B H ,Othman B N A . Research on Design Education Enabling Rural Revitalization and Digital Innovation Path of Non-Heritage [J]. Applied Mathematics and Nonlinear Sciences, 2024, 9 (01).