1. 把一本教材拆成智能体我为什么动了这个念头油藏工程这门课教了这么多年我最大的感受是教材本身没问题问题在于教材是死的。学生翻到物质平衡方程那一章看到一堆推导合上书就忘了工程师遇到一个具体的边水油藏想快速判断驱动类型翻目录、翻索引半小时过去了还没找到对应的判别标准。我自己编的那本新版教材前后改了四稿内容算是比较扎实了但纸质书和PDF的交互能力就摆在那里——读者只能读不能问。真正让我下决心动手的是去年带的一个项目。团队里有个刚毕业的硕士理论基础不差但每次做动态分析都要来问我老师这个油藏用哪种方法算地质储量比较合适我回答完过两天他又来问类似的问题。不是他不用功是教材里的知识是线性排列的而实际工作中的问题是跳跃的、场景化的。你不可能要求一个工程师把整本书背下来再去现场。所以我想做的事情很明确把这本教材变成一个能对话、能推理、能根据具体油藏条件给出分析路径的智能体。不是简单的电子书搜索框而是把教材里的知识体系拆解成结构化的技能模块让AI能够理解什么是欠饱和油藏什么条件下用弹性驱物质平衡方程在什么假设下成立这些概念之间的逻辑关系然后针对用户的具体问题组合调用这些知识。关键词里提到的book to skill这个概念恰好说中了我的思路。一本教材本质上就是一套领域知识的集合而skill技能是把知识转化为可执行动作的中间层。我要做的就是把教材的章节结构映射成技能树把每个知识点封装成可被智能体调用的skill再通过一个调度层来根据用户输入匹配最合适的技能组合。这个项目适合谁参考如果你手里有某个垂直领域的知识体系——不管是工程手册、操作规程、还是培训教材——想把它变成智能体那这套思路可以直接复用。如果你只是想了解智能体开发的基本流程这里面的架构设计、skill拆分、调试方法也有参考价值。我不打算讲太多抽象概念重点放在我具体怎么做的踩了哪些坑哪些地方和预想的不一样。2. 教材知识的结构化拆解从章节目录到技能树2.1 为什么不能直接把PDF丢给大模型最开始我试过最省事的办法把教材PDF转成文本切块做向量检索套一个对话界面。跑起来倒是快但效果很差。问边水油藏的驱动指数怎么算它能把相关段落找出来但回答是碎片化的东一句西一句没有逻辑串联。更麻烦的是教材里有大量公式、图表、参数表纯文本检索根本处理不了这些结构化信息。问题的根源在于教材的知识组织方式是叙述型的而智能体需要的是可调用型的。叙述型知识适合人阅读但不适合机器推理。你必须做一次转换把第3章第2节讲了什么变成当用户问X类问题时调用Y技能输入Z参数输出W结果。这个转换过程我称之为知识的结构化拆解。具体分三步第一步是识别教材中的核心概念和它们之间的关系第二步是把每个概念封装成独立的skill第三步是定义skill之间的调用规则和参数传递方式。2.2 技能粒度的选择太粗和太细都是坑拆skill的时候粒度是最难把握的。我一开始拆得太细把孔隙度定义渗透率定义饱和度定义都做成独立skill结果调度层要处理几百个skill匹配精度反而下降。后来拆得太粗把油藏描述整个做成一 个skill内部逻辑太复杂调试的时候根本定位不到问题出在哪。最后我采用的粒度标准是一个skill对应一个可独立完成的分析动作。比如判断油藏驱动类型是一个skill计算弹性产率是一个skill物质平衡方程求解是一个skill。每个skill有明确的输入参数、输出结果和适用条件。这样拆下来整本教材大概对应40-50个核心skill调度层处理起来比较舒服。这里有个经验skill的划分要参考教材的节而不是章。章太大节刚好。如果某一节内容特别多再按知识点细分。比如物质平衡方程这一节我拆成了通用物质平衡方程未饱和油藏物质平衡气顶油藏物质平衡水驱油藏物质平衡四个skill每个对应不同的油藏类型和假设条件。2.3 用表格管理skill的元信息拆完skill之后我用一张表来管理所有skill的元信息。这张表是整个项目的核心资产调度层的匹配逻辑、调试时的排查依据、后续扩展的参考都靠它。skill编号skill名称输入参数输出结果适用条件依赖skillRE-001判断驱动类型地层压力、饱和压力、生产气油比、含水率驱动类型标签有足够生产动态数据无RE-002弹性产率计算综合压缩系数、孔隙度、含水饱和度、油藏体积弹性产率值未饱和油藏RE-001RE-003物质平衡求解累积产油量、累积产水量、地层压力变化原始地质储量有压力和生产历史数据RE-001RE-004水侵量估算水侵系数、时间、压差累积水侵量边底水活跃RE-003RE-005采收率预测驱动类型、储层物性、流体性质采收率范围开发方案设计阶段RE-001这张表看起来简单但实际整理的时候花了我将近两周。最难的是适用条件这一列——很多教材里默认读者知道某个公式的适用前提但机器不知道。你必须把隐含条件显式化。比如物质平衡方程教材里可能只写在忽略岩石和流体压缩性的条件下但实际使用中还要考虑油藏是否封闭是否有气顶是否注水等条件。这些都要在元信息里写清楚。提示skill元信息表建议用结构化格式存储比如JSON或YAML方便程序读取。我一开始用Excel后来发现字段一多就乱转成YAML之后清爽很多。3. 智能体调度层的设计让AI知道什么时候该用哪个skill3.1 调度层的核心逻辑意图识别加技能匹配调度层是整个智能体的大脑。用户输入一个问题调度层要做两件事第一理解用户到底想问什么意图识别第二从skill库里找到最合适的skill组合来回答这个问题技能匹配。意图识别这块我用的是关键词语义的混合策略。纯语义匹配有时候会把我想算地质储量和我想算可采储量搞混因为这两个问题的语义相似度很高但对应的skill完全不同。加上关键词规则之后准确率明显提升。比如检测到地质储量原始储量OOIP这些词优先匹配RE-003检测到可采采收率最终采出这些词优先匹配RE-005。技能匹配的难点在于多跳调用。用户问这个油藏用物质平衡法算储量靠谱吗这个问题需要先调用RE-001判断驱动类型再根据驱动类型决定是否适合用RE-003。这种依赖关系在skill元信息表的依赖skill列里已经定义了调度层按照依赖图依次调用就行。3.2 参数补全用户没说全的时候怎么办实际使用中用户很少会把所有参数都一次性说清楚。比如问帮我算一下弹性产率但没给综合压缩系数、孔隙度这些参数。这时候调度层不能直接报错而是要根据skill的输入参数列表逐项询问用户或者根据已有信息做合理推断。我的做法是调度层维护一个参数槽位机制。每个skill的输入参数对应一个槽位用户输入时能填多少填多少剩下的槽位由调度层主动追问。追问的顺序按照参数的重要性排序——对结果影响大的参数先问影响小的可以给默认值。这里有个细节有些参数之间是有关联的。比如你知道了地层压力和饱和压力就能判断油藏是否饱和进而决定用哪个物质平衡方程变体。这种关联规则我也写进了调度层让它能做一些简单的逻辑推理减少追问次数。3.3 多轮对话的状态管理油藏工程的问题往往不是一问一答能解决的。用户可能先问这个油藏是什么驱动类型得到答案后再问那用哪种方法算储量接着问需要哪些数据。这是一个连续的分析流程调度层需要记住上下文。我用了一个简单的会话状态机来管理多轮对话。每个会话有一个状态变量记录当前进行到哪一步、已经收集了哪些参数、上一步的输出是什么。当用户输入新问题时调度层先看会话状态判断这是新问题还是上一步的延续。如果是延续就把上一步的输出作为当前skill的输入之一。这个机制听起来简单但实际调试的时候发现了很多边界情况。比如用户中途换了话题状态机要能识别并重置用户同时问两个不相关的问题状态机要能拆分处理。这些都是在实际使用中慢慢打磨出来的。4. 知识注入的实操把教材内容变成skill能理解的格式4.1 公式的处理不能只存LaTeX教材里有大量公式最开始我直接把LaTeX表达式存进skill结果发现AI根本理解不了这些公式的物理含义。它能把公式原样输出但你问它这个公式里哪个参数对结果影响最大它就答不上来了。后来我改了一种方式每个公式除了LaTeX表达式之外还要附带三样东西——物理含义说明、参数敏感性描述、典型取值范围。比如物质平衡方程除了公式本身还要写清楚这个方程的本质是物质守恒累积产出量等于地下亏空量地层压力对结果影响最大压缩系数次之原始地质储量的典型范围是XX到XX。这样处理之后AI在回答问题时不仅能给出公式还能解释公式的物理意义甚至能根据用户提供的参数做敏感性分析。这才是智能体该有的样子而不是一个公式查询器。4.2 图表的处理用描述性文本替代教材里的图表比如相态图、驱动指数三角图、水侵曲线直接转成图片存进去AI是没法处理的。我的做法是给每个图表写一段描述性文本把图表里的关键信息用文字表达出来。以驱动指数三角图为例我写的描述是三角图的三个顶点分别代表水驱、气驱、弹性驱。某个油藏的驱动类型对应三角图中的一个点点的位置由各驱动指数的相对大小决定。水驱指数大于0.5时点靠近水驱顶点气驱指数大于0.5时点靠近气驱顶点弹性驱指数大于0.5时点靠近弹性驱顶点。如果三个指数都在0.3到0.5之间属于混合驱动。这段描述存进skill之后用户问我的油藏水驱指数0.6气驱指数0.2弹性驱指数0.2是什么驱动类型AI就能根据描述做出判断。虽然不如直接看图直观但至少能处理了。4.3 案例的注入让AI学会举一反三教材里有很多例题和案例这些是宝贵的教学资源。我把每个案例都拆解成问题描述分析过程结论三段式存进对应的skill作为参考示例。这样做的好处是当用户提出类似问题时AI可以参考案例的分析路径来组织回答。比如用户问一个欠饱和油藏原始压力高于饱和压力生产一段时间后压力降到饱和压力以下怎么分析AI可以调用教材里对应的案例按照先判断阶段→再选方法→再算参数的路径来回答。但要注意案例不能直接照搬。教材里的案例往往有特定的数据条件直接套用到用户的问题上可能会出错。所以我在每个案例后面都加了一句本案例的适用条件是XX如果你的情况不同需要调整XX。这样AI在引用案例时会更谨慎。5. 调试过程中暴露的问题和解决思路5.1 幻觉问题AI会编造不存在的公式调试初期最头疼的问题是幻觉。用户问一个教材里没有明确讲到的场景AI会自己编一个公式出来而且看起来还挺像那么回事。有一次它给了一个修正物质平衡方程我查了半天教材里根本没有这个东西。解决这个问题的办法是加知识边界约束。在每个skill的元信息里我增加了一个知识范围字段明确写清楚这个skill覆盖了哪些内容、不覆盖哪些内容。当用户的问题超出知识范围时调度层会返回这个问题超出了当前知识库的范围建议参考XX资料而不是让AI自由发挥。另外我在调度层加了一个置信度检查环节。AI生成的回答会经过一次自检如果回答中引用了不存在的公式或参数置信度会被标记为低然后触发人工审核流程。虽然增加了工作量但保证了输出的可靠性。5.2 参数单位混乱一个容易被忽视的坑油藏工程里单位特别多地层压力可以用MPa也可以用psi渗透率可以用mD也可以用μm²产量可以用m³/d也可以用bbl/d。用户输入的时候往往不带单位AI就默认按教材里的单位处理结果算出来的数字差了好几个数量级。我后来在调度层加了一个单位归一化模块。用户输入参数时调度层会先检测有没有单位标识如果没有就根据参数类型和数值范围做合理推断。比如地层压力输入30大概率是MPa输入3000大概率是psi。推断完之后统一转换成教材使用的标准单位再传给skill计算。这个模块看起来简单但实际写规则的时候要考虑很多情况。比如有些参数的范围有重叠压力100既可能是MPa也可能是psi虽然100MPa不太常见这时候就要结合其他参数来判断。我的做法是维护一个参数-单位-典型范围的对照表用范围匹配来做推断。5.3 多skill冲突两个skill都匹配怎么办有时候用户的问题会同时匹配多个skill。比如帮我分析一下这个油藏的开发效果这个问题既涉及驱动类型判断又涉及采收率预测还涉及经济评价。调度层如果只选一个skill回答就不完整如果全选又可能超出用户的实际需求。我的解决方案是引入优先级组合机制。每个skill有一个优先级分数根据匹配度和用户历史行为动态调整。调度层先选优先级最高的skill然后检查它的输出是否满足用户需求。如果不满足再调用次优先级的skill把结果组合起来。组合的时候要注意逻辑顺序。比如先判断驱动类型再根据驱动类型选择采收率预测方法最后做经济评价。这个顺序不能乱否则结果没有意义。我在调度层里定义了一套skill执行顺序规则确保组合调用时逻辑正确。6. 实际使用效果和几个典型场景6.1 场景一学生自学时的即时答疑我让几个学生试用了这个智能体。有个学生反馈说以前看书遇到不懂的概念要么等下次上课问老师要么自己上网搜搜出来的结果质量参差不齐。现在直接问智能体欠饱和油藏和饱和油藏的区别是什么它能给出定义、判别标准、开发特征差异还附带了教材里对应的章节页码。学生说这个体验比翻书好很多。但也有学生反映智能体有时候回答得太官方像在背教材。我后来调整了回答风格让它多用口语化的解释多举例子。比如解释弹性驱的时候不说依靠岩石和流体弹性膨胀能量驱动而是说就像你捏一个装满水的海绵松手之后水被吸回去的那种力量。这样学生更容易理解。6.2 场景二工程师做动态分析时的辅助工具有个在油田工作的朋友试用之后说他最喜欢的功能是参数敏感性分析。以前做动态分析要手动改参数、重新计算、对比结果很费时间。现在直接问智能体如果渗透率降低20%采收率会怎么变它能快速给出结果和解释。不过他提了一个改进建议希望能批量处理。比如一次性输入多个方案的参数让智能体自动对比。这个功能我后来加上了用表格形式输出对比结果确实方便很多。6.3 场景三培训新员工时的标准化教材有个做培训的朋友对这个思路很感兴趣。他说他们公司新员工培训讲师水平参差不齐讲出来的内容不一致。如果把培训教材做成智能体新员工随时可以问回答都是标准化的能保证培训质量。这个场景让我意识到这套方法不仅适用于油藏工程教材任何有标准化知识体系的领域都可以用。关键是把知识拆解成skill把skill组织成可调用的结构然后通过调度层来匹配用户需求。7. 如果你也想做类似的项目我的几条实操建议第一先想清楚知识边界在哪里。不要试图把整个领域的知识都塞进去选一个相对封闭、结构清晰的知识体系作为起点。油藏工程教材就是一个很好的起点因为它的知识框架比较成熟概念之间的逻辑关系比较明确。第二skill的粒度比数量重要。宁可少做几个skill也要保证每个skill的输入输出定义清楚、适用条件明确。我见过有人把skill拆得特别细结果调度层根本管不过来。也见过有人把skill做得特别粗内部逻辑复杂到没法调试。第三调试时间要留够。我整个项目大概花了三周做开发但调试花了将近一个月。调试的重点不是修bug而是打磨回答质量。AI的回答从能用到好用中间有大量的细节要调。第四单位处理和参数补全是容易被忽视但极其重要的环节。这两个环节做不好用户体验会大打折扣。用户不会按照你预设的格式输入参数你必须能处理各种不规范的输入。第五多找真实用户试用。我自己测试的时候觉得挺好的但学生和工程师一用马上就发现了各种问题。真实用户的使用场景和你想象的完全不一样他们的反馈是最有价值的改进依据。最后说一个我自己的体会把教材搬到AI上最难的不是技术而是知识的结构化。你需要把那些人类读者默认理解、但机器完全不理解的隐含信息显式化。这个过程很痛苦但做完之后你会发现自己对这本教材的理解也加深了一层。有些概念之间的逻辑关系我以前讲课的时候从来没想过要讲清楚但在拆解skill的过程中被迫想清楚了。这算是意外收获。 从教材到智能体：油藏工程知识结构化拆解与skill调度实践
1. 把一本教材拆成智能体我为什么动了这个念头油藏工程这门课教了这么多年我最大的感受是教材本身没问题问题在于教材是死的。学生翻到物质平衡方程那一章看到一堆推导合上书就忘了工程师遇到一个具体的边水油藏想快速判断驱动类型翻目录、翻索引半小时过去了还没找到对应的判别标准。我自己编的那本新版教材前后改了四稿内容算是比较扎实了但纸质书和PDF的交互能力就摆在那里——读者只能读不能问。真正让我下决心动手的是去年带的一个项目。团队里有个刚毕业的硕士理论基础不差但每次做动态分析都要来问我老师这个油藏用哪种方法算地质储量比较合适我回答完过两天他又来问类似的问题。不是他不用功是教材里的知识是线性排列的而实际工作中的问题是跳跃的、场景化的。你不可能要求一个工程师把整本书背下来再去现场。所以我想做的事情很明确把这本教材变成一个能对话、能推理、能根据具体油藏条件给出分析路径的智能体。不是简单的电子书搜索框而是把教材里的知识体系拆解成结构化的技能模块让AI能够理解什么是欠饱和油藏什么条件下用弹性驱物质平衡方程在什么假设下成立这些概念之间的逻辑关系然后针对用户的具体问题组合调用这些知识。关键词里提到的book to skill这个概念恰好说中了我的思路。一本教材本质上就是一套领域知识的集合而skill技能是把知识转化为可执行动作的中间层。我要做的就是把教材的章节结构映射成技能树把每个知识点封装成可被智能体调用的skill再通过一个调度层来根据用户输入匹配最合适的技能组合。这个项目适合谁参考如果你手里有某个垂直领域的知识体系——不管是工程手册、操作规程、还是培训教材——想把它变成智能体那这套思路可以直接复用。如果你只是想了解智能体开发的基本流程这里面的架构设计、skill拆分、调试方法也有参考价值。我不打算讲太多抽象概念重点放在我具体怎么做的踩了哪些坑哪些地方和预想的不一样。2. 教材知识的结构化拆解从章节目录到技能树2.1 为什么不能直接把PDF丢给大模型最开始我试过最省事的办法把教材PDF转成文本切块做向量检索套一个对话界面。跑起来倒是快但效果很差。问边水油藏的驱动指数怎么算它能把相关段落找出来但回答是碎片化的东一句西一句没有逻辑串联。更麻烦的是教材里有大量公式、图表、参数表纯文本检索根本处理不了这些结构化信息。问题的根源在于教材的知识组织方式是叙述型的而智能体需要的是可调用型的。叙述型知识适合人阅读但不适合机器推理。你必须做一次转换把第3章第2节讲了什么变成当用户问X类问题时调用Y技能输入Z参数输出W结果。这个转换过程我称之为知识的结构化拆解。具体分三步第一步是识别教材中的核心概念和它们之间的关系第二步是把每个概念封装成独立的skill第三步是定义skill之间的调用规则和参数传递方式。2.2 技能粒度的选择太粗和太细都是坑拆skill的时候粒度是最难把握的。我一开始拆得太细把孔隙度定义渗透率定义饱和度定义都做成独立skill结果调度层要处理几百个skill匹配精度反而下降。后来拆得太粗把油藏描述整个做成一 个skill内部逻辑太复杂调试的时候根本定位不到问题出在哪。最后我采用的粒度标准是一个skill对应一个可独立完成的分析动作。比如判断油藏驱动类型是一个skill计算弹性产率是一个skill物质平衡方程求解是一个skill。每个skill有明确的输入参数、输出结果和适用条件。这样拆下来整本教材大概对应40-50个核心skill调度层处理起来比较舒服。这里有个经验skill的划分要参考教材的节而不是章。章太大节刚好。如果某一节内容特别多再按知识点细分。比如物质平衡方程这一节我拆成了通用物质平衡方程未饱和油藏物质平衡气顶油藏物质平衡水驱油藏物质平衡四个skill每个对应不同的油藏类型和假设条件。2.3 用表格管理skill的元信息拆完skill之后我用一张表来管理所有skill的元信息。这张表是整个项目的核心资产调度层的匹配逻辑、调试时的排查依据、后续扩展的参考都靠它。skill编号skill名称输入参数输出结果适用条件依赖skillRE-001判断驱动类型地层压力、饱和压力、生产气油比、含水率驱动类型标签有足够生产动态数据无RE-002弹性产率计算综合压缩系数、孔隙度、含水饱和度、油藏体积弹性产率值未饱和油藏RE-001RE-003物质平衡求解累积产油量、累积产水量、地层压力变化原始地质储量有压力和生产历史数据RE-001RE-004水侵量估算水侵系数、时间、压差累积水侵量边底水活跃RE-003RE-005采收率预测驱动类型、储层物性、流体性质采收率范围开发方案设计阶段RE-001这张表看起来简单但实际整理的时候花了我将近两周。最难的是适用条件这一列——很多教材里默认读者知道某个公式的适用前提但机器不知道。你必须把隐含条件显式化。比如物质平衡方程教材里可能只写在忽略岩石和流体压缩性的条件下但实际使用中还要考虑油藏是否封闭是否有气顶是否注水等条件。这些都要在元信息里写清楚。提示skill元信息表建议用结构化格式存储比如JSON或YAML方便程序读取。我一开始用Excel后来发现字段一多就乱转成YAML之后清爽很多。3. 智能体调度层的设计让AI知道什么时候该用哪个skill3.1 调度层的核心逻辑意图识别加技能匹配调度层是整个智能体的大脑。用户输入一个问题调度层要做两件事第一理解用户到底想问什么意图识别第二从skill库里找到最合适的skill组合来回答这个问题技能匹配。意图识别这块我用的是关键词语义的混合策略。纯语义匹配有时候会把我想算地质储量和我想算可采储量搞混因为这两个问题的语义相似度很高但对应的skill完全不同。加上关键词规则之后准确率明显提升。比如检测到地质储量原始储量OOIP这些词优先匹配RE-003检测到可采采收率最终采出这些词优先匹配RE-005。技能匹配的难点在于多跳调用。用户问这个油藏用物质平衡法算储量靠谱吗这个问题需要先调用RE-001判断驱动类型再根据驱动类型决定是否适合用RE-003。这种依赖关系在skill元信息表的依赖skill列里已经定义了调度层按照依赖图依次调用就行。3.2 参数补全用户没说全的时候怎么办实际使用中用户很少会把所有参数都一次性说清楚。比如问帮我算一下弹性产率但没给综合压缩系数、孔隙度这些参数。这时候调度层不能直接报错而是要根据skill的输入参数列表逐项询问用户或者根据已有信息做合理推断。我的做法是调度层维护一个参数槽位机制。每个skill的输入参数对应一个槽位用户输入时能填多少填多少剩下的槽位由调度层主动追问。追问的顺序按照参数的重要性排序——对结果影响大的参数先问影响小的可以给默认值。这里有个细节有些参数之间是有关联的。比如你知道了地层压力和饱和压力就能判断油藏是否饱和进而决定用哪个物质平衡方程变体。这种关联规则我也写进了调度层让它能做一些简单的逻辑推理减少追问次数。3.3 多轮对话的状态管理油藏工程的问题往往不是一问一答能解决的。用户可能先问这个油藏是什么驱动类型得到答案后再问那用哪种方法算储量接着问需要哪些数据。这是一个连续的分析流程调度层需要记住上下文。我用了一个简单的会话状态机来管理多轮对话。每个会话有一个状态变量记录当前进行到哪一步、已经收集了哪些参数、上一步的输出是什么。当用户输入新问题时调度层先看会话状态判断这是新问题还是上一步的延续。如果是延续就把上一步的输出作为当前skill的输入之一。这个机制听起来简单但实际调试的时候发现了很多边界情况。比如用户中途换了话题状态机要能识别并重置用户同时问两个不相关的问题状态机要能拆分处理。这些都是在实际使用中慢慢打磨出来的。4. 知识注入的实操把教材内容变成skill能理解的格式4.1 公式的处理不能只存LaTeX教材里有大量公式最开始我直接把LaTeX表达式存进skill结果发现AI根本理解不了这些公式的物理含义。它能把公式原样输出但你问它这个公式里哪个参数对结果影响最大它就答不上来了。后来我改了一种方式每个公式除了LaTeX表达式之外还要附带三样东西——物理含义说明、参数敏感性描述、典型取值范围。比如物质平衡方程除了公式本身还要写清楚这个方程的本质是物质守恒累积产出量等于地下亏空量地层压力对结果影响最大压缩系数次之原始地质储量的典型范围是XX到XX。这样处理之后AI在回答问题时不仅能给出公式还能解释公式的物理意义甚至能根据用户提供的参数做敏感性分析。这才是智能体该有的样子而不是一个公式查询器。4.2 图表的处理用描述性文本替代教材里的图表比如相态图、驱动指数三角图、水侵曲线直接转成图片存进去AI是没法处理的。我的做法是给每个图表写一段描述性文本把图表里的关键信息用文字表达出来。以驱动指数三角图为例我写的描述是三角图的三个顶点分别代表水驱、气驱、弹性驱。某个油藏的驱动类型对应三角图中的一个点点的位置由各驱动指数的相对大小决定。水驱指数大于0.5时点靠近水驱顶点气驱指数大于0.5时点靠近气驱顶点弹性驱指数大于0.5时点靠近弹性驱顶点。如果三个指数都在0.3到0.5之间属于混合驱动。这段描述存进skill之后用户问我的油藏水驱指数0.6气驱指数0.2弹性驱指数0.2是什么驱动类型AI就能根据描述做出判断。虽然不如直接看图直观但至少能处理了。4.3 案例的注入让AI学会举一反三教材里有很多例题和案例这些是宝贵的教学资源。我把每个案例都拆解成问题描述分析过程结论三段式存进对应的skill作为参考示例。这样做的好处是当用户提出类似问题时AI可以参考案例的分析路径来组织回答。比如用户问一个欠饱和油藏原始压力高于饱和压力生产一段时间后压力降到饱和压力以下怎么分析AI可以调用教材里对应的案例按照先判断阶段→再选方法→再算参数的路径来回答。但要注意案例不能直接照搬。教材里的案例往往有特定的数据条件直接套用到用户的问题上可能会出错。所以我在每个案例后面都加了一句本案例的适用条件是XX如果你的情况不同需要调整XX。这样AI在引用案例时会更谨慎。5. 调试过程中暴露的问题和解决思路5.1 幻觉问题AI会编造不存在的公式调试初期最头疼的问题是幻觉。用户问一个教材里没有明确讲到的场景AI会自己编一个公式出来而且看起来还挺像那么回事。有一次它给了一个修正物质平衡方程我查了半天教材里根本没有这个东西。解决这个问题的办法是加知识边界约束。在每个skill的元信息里我增加了一个知识范围字段明确写清楚这个skill覆盖了哪些内容、不覆盖哪些内容。当用户的问题超出知识范围时调度层会返回这个问题超出了当前知识库的范围建议参考XX资料而不是让AI自由发挥。另外我在调度层加了一个置信度检查环节。AI生成的回答会经过一次自检如果回答中引用了不存在的公式或参数置信度会被标记为低然后触发人工审核流程。虽然增加了工作量但保证了输出的可靠性。5.2 参数单位混乱一个容易被忽视的坑油藏工程里单位特别多地层压力可以用MPa也可以用psi渗透率可以用mD也可以用μm²产量可以用m³/d也可以用bbl/d。用户输入的时候往往不带单位AI就默认按教材里的单位处理结果算出来的数字差了好几个数量级。我后来在调度层加了一个单位归一化模块。用户输入参数时调度层会先检测有没有单位标识如果没有就根据参数类型和数值范围做合理推断。比如地层压力输入30大概率是MPa输入3000大概率是psi。推断完之后统一转换成教材使用的标准单位再传给skill计算。这个模块看起来简单但实际写规则的时候要考虑很多情况。比如有些参数的范围有重叠压力100既可能是MPa也可能是psi虽然100MPa不太常见这时候就要结合其他参数来判断。我的做法是维护一个参数-单位-典型范围的对照表用范围匹配来做推断。5.3 多skill冲突两个skill都匹配怎么办有时候用户的问题会同时匹配多个skill。比如帮我分析一下这个油藏的开发效果这个问题既涉及驱动类型判断又涉及采收率预测还涉及经济评价。调度层如果只选一个skill回答就不完整如果全选又可能超出用户的实际需求。我的解决方案是引入优先级组合机制。每个skill有一个优先级分数根据匹配度和用户历史行为动态调整。调度层先选优先级最高的skill然后检查它的输出是否满足用户需求。如果不满足再调用次优先级的skill把结果组合起来。组合的时候要注意逻辑顺序。比如先判断驱动类型再根据驱动类型选择采收率预测方法最后做经济评价。这个顺序不能乱否则结果没有意义。我在调度层里定义了一套skill执行顺序规则确保组合调用时逻辑正确。6. 实际使用效果和几个典型场景6.1 场景一学生自学时的即时答疑我让几个学生试用了这个智能体。有个学生反馈说以前看书遇到不懂的概念要么等下次上课问老师要么自己上网搜搜出来的结果质量参差不齐。现在直接问智能体欠饱和油藏和饱和油藏的区别是什么它能给出定义、判别标准、开发特征差异还附带了教材里对应的章节页码。学生说这个体验比翻书好很多。但也有学生反映智能体有时候回答得太官方像在背教材。我后来调整了回答风格让它多用口语化的解释多举例子。比如解释弹性驱的时候不说依靠岩石和流体弹性膨胀能量驱动而是说就像你捏一个装满水的海绵松手之后水被吸回去的那种力量。这样学生更容易理解。6.2 场景二工程师做动态分析时的辅助工具有个在油田工作的朋友试用之后说他最喜欢的功能是参数敏感性分析。以前做动态分析要手动改参数、重新计算、对比结果很费时间。现在直接问智能体如果渗透率降低20%采收率会怎么变它能快速给出结果和解释。不过他提了一个改进建议希望能批量处理。比如一次性输入多个方案的参数让智能体自动对比。这个功能我后来加上了用表格形式输出对比结果确实方便很多。6.3 场景三培训新员工时的标准化教材有个做培训的朋友对这个思路很感兴趣。他说他们公司新员工培训讲师水平参差不齐讲出来的内容不一致。如果把培训教材做成智能体新员工随时可以问回答都是标准化的能保证培训质量。这个场景让我意识到这套方法不仅适用于油藏工程教材任何有标准化知识体系的领域都可以用。关键是把知识拆解成skill把skill组织成可调用的结构然后通过调度层来匹配用户需求。7. 如果你也想做类似的项目我的几条实操建议第一先想清楚知识边界在哪里。不要试图把整个领域的知识都塞进去选一个相对封闭、结构清晰的知识体系作为起点。油藏工程教材就是一个很好的起点因为它的知识框架比较成熟概念之间的逻辑关系比较明确。第二skill的粒度比数量重要。宁可少做几个skill也要保证每个skill的输入输出定义清楚、适用条件明确。我见过有人把skill拆得特别细结果调度层根本管不过来。也见过有人把skill做得特别粗内部逻辑复杂到没法调试。第三调试时间要留够。我整个项目大概花了三周做开发但调试花了将近一个月。调试的重点不是修bug而是打磨回答质量。AI的回答从能用到好用中间有大量的细节要调。第四单位处理和参数补全是容易被忽视但极其重要的环节。这两个环节做不好用户体验会大打折扣。用户不会按照你预设的格式输入参数你必须能处理各种不规范的输入。第五多找真实用户试用。我自己测试的时候觉得挺好的但学生和工程师一用马上就发现了各种问题。真实用户的使用场景和你想象的完全不一样他们的反馈是最有价值的改进依据。最后说一个我自己的体会把教材搬到AI上最难的不是技术而是知识的结构化。你需要把那些人类读者默认理解、但机器完全不理解的隐含信息显式化。这个过程很痛苦但做完之后你会发现自己对这本教材的理解也加深了一层。有些概念之间的逻辑关系我以前讲课的时候从来没想过要讲清楚但在拆解skill的过程中被迫想清楚了。这算是意外收获。