GeoDecider：基于大语言模型的分层智能体工作流实现可解释岩石分类

本文提出GeoDecider，一种无需训练的分层智能体工作流，将岩石分类重构为专家式结构化推理流程，包含粗粒度分类、工具增强推理和地质一致性精化三阶段。该方法在四个基准数据集上优于传统基线，同时保持良好的可解释性与推理效率。

岩石分类是石油勘探和地质研究核心任务，需从测井信号推断岩石类型。传统机器学习方法视为单次分类问题，忽略专家多轮推理与地质原理应用；现有深度学习方法虽准确率不错，但缺乏可解释性，难以保证结果符合地质规律。

GeoDecider核心创新在于将岩石分类重新定义为专家式结构化推理流程，借鉴智能体系统思想设计粗到细多阶段工作流，利用大语言模型（LLM）推理能力且无需领域特定训练。关键洞察：LLM虽无法直接处理原始测井数据，但在知识整合、逻辑推理和工具使用方面表现出色，配合工具接口可构建懂地质原理且高效的分类系统。

GeoDecider包含三个衔接阶段：

1. 粗粒度分类：用预训练传统分类器初步分类，输出含置信度的自然语言描述作为LLM上下文，降低后续推理成本。
2. 工具增强精细推理：LLM调用上下文分析、邻域检索、地质规则检查等工具，通过链式思考收集证据，做出精确判断。
3. 地质一致性精化：检查分类结果序列，基于地质先验修正异常点，确保相邻地层岩石类型的相关性与连续性。

在四个公开基准数据集上评估显示：

1. 准确率提升：所有数据集上优于代表性传统基线；
2. 可解释性优势：每个决策可通过推理链追溯，清晰看到工具调用、证据与判断依据；
3. 效率平衡：粗分类阶段显著降低LLM推理频率与计算开销，保持高性能同时减少成本。

GeoDecider为领域特定任务智能化处理提供范式：将LLM通用推理能力与领域工具、知识结合构建结构化智能体工作流，优于端到端深度学习。揭示LLM应用趋势：从提示工程向智能体架构演进。对石油地质行业而言，该方法注重结果可解释性与地质合理性，适用于高风险决策场景。未来可在更多垂直领域探索类似范式。