我是如何不再害怕家庭档案并将家谱研究委托给 Claude Code 的
在我们许多人的衣柜里，都放着这样一个盒子。里面是发黄的陌生人照片、用陌生语言书写的出生证明，可能还有几封来自前线的信件。我们告诉自己"迟早会整理这些"，但数据量实在令人望而却步。家谱研究不仅仅是画一棵树——它是一个无尽的循环：档案搜索、假设验证、以及与文件中自相矛盾之处较劲。
GitHub 上出现了一个名为 autoresearch-genealogy 的项目，将自主代理方法引入家族史领域。它的创建者 Matt Prusac 并没有简单堆砌一套提示词，而是系统化了他在 AI 帮助下重建 6 条家族线、跨越 9 代人、创建了上百个详细文件的真实研究经验。
仓库里有什么
该项目是一套现成的、用于 Claude Code 或任何支持自主搜索的工具的方法论。其核心价值不在代码，而在于流程结构。
用于自主搜索的提示词
文件夹 prompts/ 包含 12 个 /autoresearch 命令的场景。每个提示词都是一个小型的 AI 程序，指定了目标、成功指标、验证协议，以及防止神经网络产生幻觉的"限制器"。
例如，提示词 01-tree-expansion 强制模型通过网页搜索系统地"生长"谱系树的每个分支。而 05-source-citation-audit 则扮演严格的档案管理员角色：验证数据库中的每个人至少有两条独立来源。
数字档案库模板
作者建议使用 Obsidian（或任何 Markdown 编辑器）作为数据库。文件夹 vault-template/ 包含未来档案的结构：
- 带有 YAML 元数据的人物卡片。
- 研究日志和待解决问题登记册。
- 用于转录文档、信件甚至 DNA 匹配分析的专用模板。
档案和方法论指南
这可能是最实用的部分。仓库包含 24 个地区的搜索指南——从美国和殖民地记录，到波兰、乌克兰和俄罗斯的档案。甚至还有关于犹太家谱和斯堪的纳维亚姓氏特点的章节。
为什么这比普通 AI 对话更有效
使用 ChatGPT 或 Claude 处理此类任务的主要问题是模型"填补"事实的倾向。家谱研究容不下这种情况。如果一份文件将某人记录为"Zachariah"，另一份记录为"Sakkarias"，AI 不应该直接选择其中一个变体——它应该同时记录两者并评估错误概率。
Matt Prusac 在提示词中嵌入了"机械验证"概念。这类似于编程中编译器的工作，但检查的不是语法，而是关系的逻辑性。该系统强制 AI：
- 记录负面结果（搜索了什么但未找到）。
- 为事实分配置信度（强信号 / 推测性）。
- 在每次搜索迭代后执行交叉引用审计。
如何用自己的数据尝试
如果你已安装 Claude Code，流程相当简单。首先需要克隆仓库并将 vault-template/ 的内容移动到工作目录。
然后在 Family_Tree.md 文件中输入基本信息——你已知的关于自己、父母和祖父母的信息。如果你有文档扫描件，将其放在附近。之后就可以启动第一个循环：将 prompts/01-tree-expansion.md 的内容复制到 Claude 终端中，观察代理开始"挖掘"互联网线索。
这将帮助谁
该项目不太适合那些只想按一个按钮就"了解祖先一切"的人。家谱研究仍然是艰苦的工作。但 autoresearch-genealogy 将是以下人群的绝佳资源：
- 觉得手动填表无聊但对搭建自主流水线感兴趣的技术人员。
- 在"砖墙"前卡住、需要新视角审视可用档案的研究者。
- 拥有大量分散数据、需要统一标准整理的人。
有趣的是，作者并不限制仅使用 Claude Code。整个逻辑可以轻松转移到手动工作流程或其他 AI 工具。关键在于置信度系统和验证协议，它们将家谱研究从读茶叶占卜转变为结构化研究。
如果你一直想把那盒照片变成连贯的家族故事，这个仓库可能就是你所需要的那个推力。至少，它是一个很好的示例，展示了如何使用现代 LLM 解决复杂的人文问题而不丧失学术严谨性。
相关项目