岩石薄片智能分析 Agent：多模态大模型驱动的地质矿物识别系统

这是一个基于多模态大语言模型的智能地质分析系统，通过自然语言对话驱动Agent自主调用图像分析工具，实现岩石薄片的矿物自动分类、鲕粒智能分割和专业报告生成。系统采用纯前端架构，支持GitHub Pages部署，无需后端服务器即可运行。

岩石薄片分析是地质领域核心工作，传统流程依赖专业经验且效率低。初学者或野外工作者难以快速准确鉴定，有经验人员面对大量样本也感繁重，因此利用AI辅助成为地质信息化重要研究方向。

采用Agent架构，核心为MiMo-v2.5大语言模型，通过Function Calling自主调用工具。纯前端架构基于React18.3+TypeScript5.6+Vite5.4，支持GitHub Pages部署，内置Mock服务器可演示所有功能。

1. 矿物自动分类：集成深度学习模型，识别矿物类型并给出置信度；2. 鲕粒智能分割：检测沉积岩鲕粒，统计数量、面积占比；3. 知识库检索：含53条专业知识，基于Fuse.js模糊搜索实现客户端RAG；4. 智能报告生成：综合多源信息生成结构化Markdown报告，流式输出。

• Agent编排器：实现Agentic Loop机制，多轮推理循环；- 三级降级策略：Agentic模式（LLM自主调用）、关键词意图兜底、纯模板报告；- 多模态视觉：MiMo-v2.5可分析图像视觉特征；- 记忆模块：对话记忆超20条自动摘要，图像分析结果LRU缓存至localStorage。

部署简便：静态文件可托管至GitHub Pages，GitHub Actions自动部署。使用流程：配置LLM服务（支持OpenAI兼容API）→上传薄片图片→自然语言对话提问（如分析矿物、统计鲕粒含量等）。

创新点：多模态LLM与地质知识结合，Agent架构实现灵活智能分析。应用价值：帮助学生学习矿物鉴定，辅助野外初步筛查，为地质数据数字化提供新思路。

局限性：训练数据覆盖不足导致罕见矿物识别不准，纯前端依赖网络环境，知识库需扩展。未来方向：扩展矿物/岩石类型、集成专业数据库、支持地球化学分析、开发离线推理能力。