为解决在利用AI工具探索1760年至1810年间美国建国时期文献时，如何确保回答严格基于馆藏真实文档、避免产生幻觉，并有效连接跨越不同时间段的实体关系，相关研究探索了结合知识图谱技术和上下文工程的AI方法。根据一篇于2026年9月28日发布的文章所述，图书馆的数字战略部门与亚利桑那州立大学人工智能云创新中心合作，进行了一项实验，旨在开发一个能利用图书馆馆藏作为“接地数据”（grounding data）的AI工具，用于探索美国革命时期的历史。
该项目设定的目标之一，就是构建一个AI工具，帮助研究人员、学生和政策分析师探索早期美国历史，特别是能够回答关于1789年至1875年间国会法案和1770年至1810年间历史报纸的问题。为了实现这一目标，研究团队使用了图书馆的应用程序编程接口（APIs）以及来自“革命十字路口”（Revolution Crossroads）等项目提供的历史报纸数据。
在技术实现层面，团队采用了包括“图RAG处理”（GraphRAG processing）在内的检索增强生成（RAG）方法。这种方法通过文本搜索提取实体（如人物、地点和概念），并通过知识图谱技术来追踪这些实体之间的关系。文章指出，使用Neptune Analytics创建知识图谱而非单纯的向量搜索，是一个关键的突破点，因为它使得聊天机器人能够连接跨越不同时间段相关的文档。通过构建知识图谱，可以连接历史事件、立法和人物，超越了传统向量搜索的限制。此外，该原型还纳入了源引用（source citations）和链接到原始文档的功能，以及会话记忆功能，以确保对话的连续性和可信度。这些技术和方法共同致力于确保AI的分析和信息提供始终建立在真实的馆藏文献证据之上，从而避免了产生虚构信息（幻觉）。