E7 · 出版卷 29

AI、LLM、证据图谱与可验证地学推理

一部通用、机构中立的教程。围绕有明确地学证据依据、受工具约束且经人工审核的 AI 推理展开，与任何公司、个人、模型供应商或技术平台均无隶属、赞助或背书关系。

目的与机构中立性

一部通用、机构中立的教程，用于设计受证据约束、经工具执行并由人工审核的地学 AI 工作流。

这是一部通用、机构中立的教程，与任何公司或个人均无关系。所有案例均使用明确标注的合成 SYN-AI 证据包、通用责任角色与虚构标识符；它们不描述任何真实矿权、项目、机构或可识别地点。外部个人与机构名称只出现在“来源”中，便于读者追踪编写本教材所依据的公开标准与原始研究。

承载本教程的网站只是托管载体，不是出版机构、科学权威或课程对象。托管不构成作者、赞助、背书、雇佣或隶属关系。教程中的主张由声明证据、可复现变换、评价与负责任人工审核约束。

本卷面向需要评价或设计 AI 辅助证据工作流的地学人员、数据专业人员、软件工程人员、审核人员与学生。先修内容包括 E2 的数据语义与来源追溯、E5 的视觉审核概念、E6 的架构与测试基础，以及相关地质卷册的领域知识。不要求任何特定模型、厂商、云、数据库或编程语言。

读者应能区分观测与解释、检查数据清单、讨论不确定性，并认识到生成句子不是证据。编程能力有助于练习，但核心工作是规定边界、证据、测试与审核。

全卷使用同一链条：请求 → 任务合同 → 依据化证据 → 检索与准入 → 类型化工具 → 证据图谱 → 竞争假设 → 候选主张 → 主张核验 → 校准置信 → 人工处置 → 版本化报告 → 监测。每条箭头都是受控变换，记录输入、输出与失败状态。

语言生成从不位于科学真值的来源端。它可以在证据边界内提出、组织与解释；确定性工具负责计算，源对象提供观测，审核者判断范围与后果。缺少必需证据或权限时，弃答与升级都是有效输出。

SYN-AI 是完全虚构的证据包，包含合成区间描述、地图、栅格摘要、文档页面、主张、工具结果、假设、审核事件与保留结果。数值用于暴露歧义、重复血缘、版本不一致、空间依赖与证据缺失，不是任何真实矿床或运行系统的估计。

每项练习都从不可变清单开始。学习者只有签发新版本，才能修改检索、提示、政策、工具或阈值。隐藏评价对象与开发路径隔离，使同一数据包可以演示泄漏与盲法验证，而不涉及真实机构。

每课产生一项带证据制品：适用性登记表、依据包、检索基准、受控运行时、证据图、假设矩阵、校准报告、完整性审计、审核规程、保留报告、版本化报告或监测计划。考核检查可复现性、失败处置与专业边界，而不只检查文字风格。

结业成果是一套小而完整的地学推理工作流：主张可追溯到来源片段与工具结果，备选方案与未知项可见，置信度已在独立证据上校准，最终报告具有负责任审核历史。

AI 行为、评价实践与标准会变化。每份实现记录都必须标识所用来源版本、语料快照、工具合同、模型配置、政策与基准版本。新的模型或规范不会静默更新已批准结果，而是形成必须通过相同证据与审核关口的候选变更。

公开标准与原始研究只作为技术证据使用，不构成所有权或背书。它们的名称与链接只出现在“来源”中。由于合同与验收证据独立于产品定义，本教程可迁移到不同实现。