引用本文
王红娜, 侯群群, 方振东, 蒋辉, 沈文建. 基于改进型检索增强生成（RAG）技术的海上油田录井智能知识系统的构建与应用[J]. 录井工程, 2026,37(2): 1-8.
WANG Hongna, HOU Qunqun, FANG Zhendong, JIANG Hui, SHEN Wenjian. Construction and application of offshore oilfield mud logging intelligent knowledge system based on improved Retrieval-Augmented Generation （RAG） technology[J]. Mud Logging Engineering, 2026,37(2): 1-8.
Doi:10.3969/j.issn.1672-9803.2026.02.001  
Permissions
Copyright©, 《录井工程》杂志社
《录井工程》杂志社 所有
基于改进型检索增强生成（RAG）技术的海上油田录井智能知识系统的构建与应用
王红娜, 侯群群, 方振东, 蒋辉, 沈文建
中法渤海地质服务有限公司

作者简介：王红娜 工程师,1986年生,2013年毕业于北京邮电大学应用数学专业,现在中法渤海地质服务有限公司从事数智化工作。通信地址：300457 天津市滨海新区天河科技园1号楼。E-mail：wanghn@cfbgc.com

收稿日期: 2026-01-27
摘要

针对海上油田录井作业中数据类型多样、专业知识交叉、响应滞后及网络条件复杂等挑战,提出并实现了一种改进型检索增强生成（RAG）智能知识系统——OffshoreRAG,在传统RAG框架基础上首次融合录井曲线等专业数据与多模态知识处理,通过建立基于元数据的知识管理架构,采取结构标签与向量召回的混合检索策略,引入Cross-Encoder（跨编码器）进行细粒度语义重排序,在PostgreSQL中集成pgvector向量列、表分区以及并行执行计划,形成秒级响应机制,实现了从数据采集到问答生成的可追溯闭环流程,并基于真实海上油田1 800余份多模态数据（录井报告、试井设计文件、设备资料）,对1 000个涉及操作流程、设备故障诊断及规范查询类问题进行了实验验证。现场部署应用结果表明,系统有效整合多源信息,显著提升了工程师在高强度作业中的决策效率和应急处理能力。研究证实,面向特定工业场景的多模态RAG系统具备工程可行性与实用优势,未来可通过扩展实时曲线数据接入能力,增加并发与延迟仿真测试,优化曲线特征抽取与存储策略,以进一步增强系统在复杂工况下的稳定性和工程价值。

关键词: 智能问答; RAG技术; 多模态知识库; 大语言模型; 信息检索; 海上油田; 录井
中图分类号:TE132.1 文献标志码:A
Construction and application of offshore oilfield mud logging intelligent knowledge system based on improved Retrieval-Augmented Generation （RAG） technology
WANG Hongna, HOU Qunqun, FANG Zhendong, JIANG Hui, SHEN Wenjian
China France Bohai Geoservices Co.,Ltd.,Tianjin 300457,China
Abstract

To address the challenges in offshore oilfield mud logging operations,including diverse data types professional knowledge crossover,response lag,and complex network conditional complexity,an improved Retrieval-Augmented Generation （RAG） intelligent knowledge system-OffshoreRAG has been proposed and implemented. Based on the traditional RAG framework,the system introduces domain-oriented enhancements：for the first time,professional data such as mud logging curves are deeply integrated through a multimodal knowledge processing supported by a metadata-based knowledg management structure. A hybrid retrieval strategy adopting structural tags with vector recall is designed,incorporating a Cross-Encoder for fine-grained semantic re-ranking. And in PostgreSQL,pgvector columns,table partitioning,and parallel execution plans are integrated to achieve second-level response mechanism,forming a traceable closed-loop process from data acquisition to question and answer generation. Experiments using over 1 800 real offshore oilfield mud logging reports,well test design files,and equipment documents as multimodal data constructed a test set of 1 000 queries covering operational procedures,equipment fault diagnosis,and standards lookup. Field deployment application results show that the system effectively integrates multi-source information,significantly enhancing engineers′ decision-making efficiency and emergency response capability in high-intensity work environments. The results demonstrate the feasibility and significant advantages of multimodal RAG systems tailored to specific industrial scenarios. In the future by expanding real-time curve data access capability,increasing concurrency and latency simulation tests,and optimizing curve feature extraction and storage strategies,the system′s stability and engineering value under complex offshore conditions is further improved.

Keyword: intelligent Q&A; RAG technology; multimodal knowledge base; Large Language Model; information retrieval; offshore oilfield; mud logging
0 引言

随着海上油田作业规模的不断扩大, 录井工程面临资料种类繁多、数据更新迅速以及技术支持需求提升等挑战。沿用传统的人工查阅和判断资料的方式已难以满足对非结构化、多模态数据的高效处理需求。同时, 录井队伍人员结构的变化使现场青年工程师和非专业人员比例增加, 他们在面对复杂井下情况时更易出现判断偏差或响应滞后, 不仅影响作业效率, 甚至会带来安全风险。基于大数据处理的智能录井平台则能够显著改善信息获取的速度与准确性, 凸显了录井作业数字化与智能化转型的必要性[1]。

近年来, 大语言模型（Large Language Model, LLM）等人工智能技术的快速发展, 为上述问题的解决提供了新的可能, 例如：贾鹏[2]开发的井场一体化决策支持平台有效集成了多类现场数据, 提升了整体决策效率; 王建梅[3]研发的随钻自动解释评价系统在提高钻井作业精准度和减少误差方面取得了显著成效; 刘庆山等[4]基于人工智能的地质工程一体化钻井优化系统的研究显示, AI在油气工程中能够实现地质与工程参数的协同优化, 大幅提升作业安全性与经济性。这些研究成果不仅验证了数智技术在油气工程领域的应用潜力, 也为本文的系统设计与实现提供了有益参考。然而上述研究仍局限于对特定类型数据的解析, 缺乏对录井全量多模态数据的综合挖掘, 端到端的数据知识系统未完全建立, 因而在数据价值挖掘上不够充分。

检索增强生成（Retrieval-Augmented Generation, RAG）技术将信息检索与文本生成有机结合, 能够缓解传统大语言模型知识覆盖不足和幻觉生成（Hallucination）等问题[5], 其基本思路为：用户提出问题后, 系统将问题向量化, 在预构建的知识库中检索语义最相关的资料片段, 并将这些片段与用户问题共同输入大语言模型, 生成准确且可溯源的答案。

在该技术思路基础上, 本研究构建了面向海上油田录井场景的多模态智能问答与信息检索系统— — OffshoreRAG。该系统融合文本、图像和表格等多模态资料, 结合向量检索、重排序与大语言模型生成机制, 为录井解释人员提供高效且可追溯的知识查询服务, 从而在高强度作业环境下显著提升决策效率与技术支持能力。本文围绕OffshoreRAG系统的整体架构设计、关键技术、应用效果及工程推广潜力展开论述, 以验证其在推动海上录井作业智能化与信息化方面的实际价值。

1 系统整体架构

为满足海上油田录井作业对多模态知识的快速检索与准确响应需求, 系统整体架构围绕“ 数据输入-知识组织-语义检索-智能生成” 4个环节进行设计, 强调数据类型覆盖的完整性、检索路径的高效性与答案生成的可追溯性。在架构层面, 系统核心由多模态知识库构建模块、检索增强模块（RAG引擎）和智能生成模块3部分组成, 前端支持文本、图片、表格等多模态数据输入, 后端用于实现多模态结果展示（图1）。

图1 系统架构流程设计图示

（1）多模态知识库构建模块：面向录井作业产生的文本报告、录井曲线、结构化参数表等异构资料, 提供统一的格式化、结构化和语义索引处理, 确保不同数据类型可在检索阶段协同调用。

（2）检索增强模块（RAG引擎）：基于语义向量检索快速定位高相关片段, 并通过结构标签与语义重排序机制（如Cross-Encoder模型）提升检索精度和相关性。

（3）智能生成模块：利用大语言模型在生成过程中整合文本与图表信息, 生成逻辑清晰、工程化表述规范的答复, 并附带原始数据溯源链接。

上述三大模块在运行机制上相互依托：多模态知识库构建模块为检索增强模块提供高质量语义索引, 检索增强模块为智能生成模块提供精准上下文, 智能生成模块则将结果转化为可直接用于决策的技术答案。这种“ 先检索-后生成-可追溯” 的架构, 既继承了人工知识的专业深度, 又充分发挥了大语言模型的泛化能力和多模态整合优势。

2 OffshoreRAG系统关键模块功能实现

本研究面向海上油田录井的复杂业务场景, 基于检索增强生成（RAG）框架, 设计并实现了一套多模态智能问答与信息检索系统, 与传统RAG系统相比, 在以下3个方面进行了针对性改进。

（1）多模态知识库构建：在文本知识库的基础上引入井下录井曲线、地层录井图像等行业专有数据, 实现跨模态检索与融合。

（2）交叉编码（Cross-Encoder）模型重排序：通过引入基于Cross-Encoder模型的重排序机制, 提高候选结果在相关性与精确度上的排名表现。

（3）PostgreSQL优化：针对海上油田录井数据的检索特性优化数据库索引与查询计划, 显著降低检索延迟。

2.1 多模态知识库构建模块功能实现

多模态知识库指能同时存储、检索和管理多种类型数据（如文本、结构化与非结构化媒体数据）的系统。在海上油田录井场景中, 系统不仅需承载文字信息, 还需整合录井曲线、现场图像等专业数据, 以支持跨模态查询和多源信息融合。

2.1.1 数据类型与来源

考虑到录井作业中资料形式多样, 系统共整合资料1 816份, 主要分为4类（表1）。所有资料均来源于真实海上油田生产现场, 覆盖日常操作、工程设计及应急处理等多个环节。

表1 录井解释作业多模态资料整合统计

2.1.2 数据预处理与质量控制

数据质量问题是跨行业、跨领域的共性难题, 亦是数据治理工作的重点与难点[6]。为保证知识库数据的准确性与可用性, 系统设计了完整的数据处理流程, 具体包括：

（1）数据采集与整合：系统收集不同来源的录井作业设计文档, 如历史完井报告、试井施工报告、设备故障记录等, 对PDF、Word等文档进行结构提取, 剔除无效内容, 依据语义边界划分知识段[7]。

（2）数据处理：文本数据经过自然语言处理技术进行分段、清洗与标注, 生成标准的“ 问题-答案对” （Question-Answer Pair, QA对）。对于文档中的图表（如录井曲线、设备示意图）, 简单表格处理为markdown（轻量级标记语言）格式, 复杂图表提取其关键描述信息后生成指向原始图表的链接。在行业专有数据处理方面, 针对录井曲线类数据, 额外提取曲线类型、深度范围、采样间隔等参数并写入元数据, 这种处理方式显著提升了曲线类数据的可检索性和可解释性; 录井现场图像则附加施工阶段、设备类型等标签信息, 以增强检索精度。部分图表数据处理示例如表2所示。

表2 部分图表数据处理示例

（3）问答生成与归档：人工从原始知识文档中整理并生成结构化的“ QA对” , 用于模型微调, 以提升模型在领域内的准确性与适应能力。

（4）嵌入与索引：处理后的文本、图像、表格数据通过词嵌入技术（如BERT）转化为高维特征向量, 并构建语义索引。这些向量将作为检索增强模块和智能生成模块的输入, 确保在海量数据中快速定位相关信息。

（5）增量更新机制：考虑到录井数据在作业周期内会持续补充, 设计了支持增量向量化与在线索引更新机制, 使新增资料在完成预处理后可在秒级范围内被检索到。

2.1.3 安全与访问控制

海上油田作业数据具有较高的保密等级。系统在知识库层实现了基于角色的访问控制（Role-Based Access Control, RBAC）, 对不同级别用户开放相应的数据访问权限, 并对敏感信息进行脱敏处理。

2.2 检索增强模块（RAG引擎）功能实现

检索增强生成（RAG）是一种融合外部知识检索与生成式模型的技术框架。通过先从知识库中调取相关文档, 再将其与用户查询共同输入生成模型, 可以显著提升回答的准确性与可解释性。本研究的 RAG 引擎针对海上油田录井业务进行了结构性优化, 以满足弱网、高并发和多模态数据处理等特殊需求。

2.2.1 离线向量化与知识存储

在知识库构建阶段, 系统已经对所有图文资料（录井报告、解释图表说明、设备故障记录等）进行了离线向量化处理, 即：

（1）针对每一段图文内容的图和表, 使用版面识别的方式抽取多模态文本中图及表的完整信息, 并进行自动化元数据提取, 形成可被引用和检索的数据块。

（2）针对每一段图文内容的文字, 通过使用词嵌入技术（如BERT）, 可以生成一个数字化的高维特征向量（Embedding）。

（3）向量和原文内容一起存入PostgreSQL数据库的chunk_index表中, 向量字段采用pgvector插件存储, 支持后续快速查询。

通过离线处理方式, 系统在检索阶段无需重新进行Embedding编码, 从而降低响应延迟和资源消耗。

2.2.2 用户问题处理与向量化编码

用户可以直接输入自然语言查询（比如“ 扭矩传感器跳动异常是什么原因?” ）, 系统会自动将问题进行语言清洗, 提取主要信息, 然后使用同样的模型将问题转化为向量表示, 记作 q⃗, 用于后续向量检索。向量化表达式如下：

q⃗=Encoder（Question）

式中： q⃗为查询向量, 维度为1 024; Encoder表示编码器; Question为输入的问题文本[8]。

2.2.3 余弦距离计算与初步召回

获得问题（查询）向量 q⃗后, 系统在数据库中检索所有已保存的分段向量, 计算二者之间的余弦距离 dcos, 用于衡量两者内容的相关性：

dcos=1-q⃗·d⃗q⃗·d⃗

式中： d⃗为文档分段向量; d⃗为 d⃗的L2范数; q⃗为 q⃗的L2范数。

余弦距离越小, 表示两个向量方向越接近, 即内容相关性越高。系统会按照 余弦距离从小到大排序, 选取前N个最相关的文档片段（Top-N）作为初步召回结果, 为后续生成答案提供参考依据[9]。

2.2.4 检索结果重排序

为进一步提高最终答案的准确率与相关性, 系统在初步召回后引入检索重排序（Rerank）机制。具体流程如下：

（1）将召回的片段与用户问题再次进行细粒度语义匹配。

（2）使用轻量化的交叉编码模型（Cross-Encoder）进行综合打分。

（3）按新的得分排序, 筛选出最终用于回答生成的内容。

相比仅依赖初步召回结果, Rerank机制能有效剔除表面相关但语义偏差较大的内容, 尤其适用于需要深度理解问题细节的复杂场景[10]。

2.2.5 检索性能与扩展

为满足海上油田录井解释中对时效性和稳定性的要求, 检索增强模块设计了以下优化措施。

（1）基于PostgreSQL数据库直接完成向量检索, 配合pgvector插件, 实现秒级响应。

（2）支持动态调整检索阈值和召回数量, 兼顾简单问题和复杂问题的处理需求。

（3）支持增量更新录井资料, 无需重建整个知识索引。

（4）对召回结果附带置信度评分和原文出处, 便于录井解释人员快速判断和追溯。

2.3 智能生成模块功能实现

智能生成模块是OffshoreRAG系统中负责最终答复生成的关键环节, 其任务是基于检索增强模块提供的上下文信息, 生成内容准确、逻辑清晰、工程语言自然的技术答复。该模块通过调用大语言模型, 实现语义压缩、逻辑重组、表达优化等功能, 适应录井解释作业中多样化、复杂化的问答场景。

（1）内容压缩与组织：系统根据检索到的信息对内容进行压缩与组织。例如, 对于设备故障诊断问题, 系统能通过提取关键要素, 设定简明的排查步骤。

（2）答案生成：与传统文本问答不同, 该系统支持多模态数据（文本+图像+表格）的联合生成。在答案生成过程中, 系统可引用图表链接、插入图像描述信息。

（3）语义泛化能力：与传统语言模型相比, 大语言模型具有更强的语言理解与生成能力, 拥有丰富全面的世界知识, 能够进行复杂任务推理与求解[11]。得益于大语言模型的语义泛化能力, 智能生成模块在面对非标准表达或语义不明确的问题时, 仍可根据检索上下文进行合理推断并生成有效回答。

2.4 模块协同流程

OffshoreRAG系统的3个核心模块通过标准化的数据接口串联并协同工作, 能够高效、准确地处理复杂的录井问题。为清晰阐述其内部协作机制, 本文以一个典型的现场故障诊断查询“ 扭矩传感器为什么来回乱跳” 为例, 展示从用户提问到生成答案的完整数据流转过程。

2.4.1 知识库构建过程

系统首先从设备相关资料《传感器故障判断.xlsx》中提取故障记录, 并根据语义将其划分为“ QA对” 段落, 再将其向量化并存储于数据库中。表3展示了数据处理后片段, 如何从源文档转换为索引语句与语义段内容, 并附带示例向量值。系统通过标准化、向量化的预处理流程, 为后续的语义检索建立了高效支撑。

表3 收集数据处理后片段

2.4.2 检索过程

当用户输入问题“ 扭矩传感器为什么来回乱跳” 后, 系统对问题进行向量编码, 并在知识库中进行余弦相似度匹配, 召回前Top-N个相关内容片段。表4展示了召回片段以及余弦距离结果。随后系统使用Cross-Encoder模型对初步结果进行重排序优化。表5展示了用于回答生成的召回片段Rerank重排序结果。重排序机制确保了系统生成回答所依据的信息具有最高的语义匹配度与工程可用性。至此, 一个原始的用户问题的答案, 被转化为一个由高度相关、结构化的知识分段组成的“ 上下文包” 。

表4 召回片段以及余弦距离
表5 召回片段Rerank重排序结果

2.4.3 生成过程

“ 上下文包” 被完整地传递给智能生成模块。智能生成模块对检索到的最相关的信息进行组织, 生成简洁的专业回答：扭矩传感器来回乱跳的故障原因为信号干扰。处理建议包括：确定信号干扰源, 使用排除法找出具体故障传感器, 进行接地处理, 并增加隔离栅以消除干扰。

通过上述流程, OffshoreRAG系统实现了从原始文档向量化到结构化问答生成的全过程自动化处理, 极大提升了录井作业人员在高强度干扰的海上环境下的响应效率与决策能力。

3 效果评估

为验证OffshoreRAG系统在海上油田录井作业中的实际应用效果, 本文从问答准确率、响应时间、压力/扩展性、与主流 RAG 系统对比和工程实践反馈5个维度对系统性能进行了综合评估。

3.1 问答准确率

问答准确率是衡量系统是否能够准确理解并解答现场技术问题的核心指标。在评估过程中, 设置了多种问题类型（操作流程、设备故障诊断、标准规范查询等）, 并基于不同来源的知识（如教材、设备手册、历史报告等）进行测试。为构建测试集, 基于已构建的数据“ QA对” , 按问题类型进行分层随机抽样, 从4类数据中抽取代表性文档片段, 由3名具备5年以上录井经验的工程师人工标注问题与标准答案, 并进行交叉复核, 以确保标注质量与一致性符合要求。

结果显示, 在1 000个测试问题中, OffshoreRAG系统的Top-1（第一个被召回排序的文档）准确率达到99%, 即绝大多数问题的第一条回答即为正确答案, 符合工程师的实际需求。部分结果如表6所示。

表6 系统返回的问题及对应策略
3.2 响应时间

响应时间是衡量系统能否快速提供技术支撑的关键指标, 尤其在紧急情况下尤为重要。在模拟实际使用场景的测试环境下, 系统处理1 000个问题的平均响应时间为1.8 s, 显著优于人工查询或基于规则库的传统系统响应（后者通常响应时间在30 s以上, 且受限于规则覆盖率）。

3.3 压力/扩展性

为验证OffshoreRAG 系统在多用户并发与数据持续扩展条件下的性能表现, 分别进行了并发检索测试与增量更新测试。并发检索测试用于检验系统在高并发访问压力下的响应性能与稳定性, 增量更新测试用于验证数据持续增长时系统的扩展能力。二者分别从用户负载与数据规模层面, 共同体现了系统的压力承载与扩展能力。

3.3.1 并发检索测试

在局域网环境下, 模拟50、100、200个用户同时发起查询请求, 分别记录系统平均响应时间与成功率。测试结果（表7）表明, 即使在200个并发请求下, OffshoreRAG系统的平均响应时间仍控制在2.5 s以内, 系统稳定性和可用性均达到工业级要求。

表7 并发检索测试

3.3.2 增量更新测试

为模拟录井作业中数据的持续增长, 测试过程中每隔5 min向知识库追加100条新文档片段（涵盖文本、录井曲线、表格等多模态数据）, 并实时更新语义向量索引。测试期间监测系统检索准确率和响应时间的变化情况, 结果显示检索准确率在整个测试过程中保持在98.9%以上, 波动幅度不超过0.5%。平均响应时间稳定在1.8~2.0 s之间, 未出现显著延迟增加现象。

这表明, OffshoreRAG系统能够在数据持续扩展的条件下保持较高的检索精度和响应速度, 适应海上油田录井数据动态更新的实际需求。

3.4 与主流RAG系统对比

本文选取了两种主流多模态RAG系统（记为系统A与系统B）作为对照组。3套系统均在相同的硬件条件与测试集（见2.1.2节）下运行, 并采用一致的评估方法, 测量Top-1准确率、Top-3准确率及平均响应时间。表8展示了3套系统在测试集上的性能对比结果。证明 OffshoreRAG系统在各项指标上均优于两种主流多模态RAG系统, 展现出显著优势。

表8 3套系统性能对比
3.5 工程实践反馈

为进一步验证OffshoreRAG系统在实际作业中的效果, 已在海上油田录井现场实际部署, 并对其进行了持续跟踪记录。表9展示了OffshoreRAG系统与传统人工处理方式的现场反馈对比结果。

表9 OffshoreRAG系统和传统人工处理方式对比

（1）工程师普遍认为系统响应速度快, 操作便捷, 大幅减少了手动查阅文档的时间。

（2）对于突发设备故障类问题, 能够提供明确、可执行的排查建议, 显著提升现场应急处理效率。

（3）用户满意度调查显示, 超过90%的工程人员愿意在日常工作中继续使用该系统。

综上所述, OffshoreRAG系统通过其高效的智能问答能力、低延迟的检索响应与强适应性, 在录井现场展现出显著优势。尤其在高频、快节奏、信息密集的海上油田环境中, 为推动录井作业的信息化与智能化提供了可靠、可行的技术路径。

4 结论与展望
4.1 结论

本文针对海上油田录井作业中数据复杂、响应滞后、知识利用率低等现实问题, 提出并实现了一种基于改进型检索增强生成（RAG）技术的多模态智能问答与信息检索系统— — OffshoreRAG。该系统融合多模态知识库构建、向量化语义检索与大语言模型生成机制, 构建了从数据到答案的高效闭环, 显著提升了录井现场的技术支持能力和信息化水平。实际应用结果表明, 其在问答准确率、响应时间和系统适应性方面, 均优于传统方案, 可有效支撑现场高强度、高频次的知识查询需求。OffshoreRAG的实践不仅展示了AI技术在油气工程领域的应用潜力, 也为未来构建面向复杂工程场景的多模态智能问答与信息检索系统提供了可行路径和技术基础。

4.2 展望

未来, OffshoreRAG系统将在以下几个方向持续扩展与优化。

（1）知识库扩展：进一步整合更多海上油田录井作业中的数据, 尤其是未覆盖的设备故障记录和最新的油气层数据, 以提升系统知识库的广度与深度。

（2）跨领域适应性：探索将OffshoreRAG技术应用于其他领域的可能性, 特别是对于复杂工程项目中的知识检索与智能问答需求。

（3）系统智能化提升：通过持续优化智能生成模块的语义泛化能力, 提升系统在不可预见的问题上的回答质量, 进一步增强系统的适应性和准确性。

总之, OffshoreRAG系统为海上油田录井作业提供了一条高效、智能的信息化支持路径, 具有广阔的应用前景。

编辑 卜丽媛

参考文献
[1] 洪兵, 郭阳, 王舒迟. 基于大数据处理的智能录井平台的研发与应用[J]. 录井工程, 2025, 36(1): 9-15.
HONG Bing, GUO Yang, WANG Shuchi, et al. Development and application of intelligent mud logging platform based on big data processing[J]. Mud Logging Engineering, 2025, 36(1): 9-15. [本文引用:1]
[2] 贾鹏. 基于“井工厂”模式的井场一体化决策支持平台的研发与应用[J]. 录井工程, 2024, 35(4): 1-7.
JIA Peng. Development and application of integrated decision support platform for well sites based on "well factory" model[J]. Mud Logging Engineering, 2024, 35(4): 1-7. [本文引用:1]
[3] 王建梅. 录井随钻自动解释评价系统的研制与开发[J]. 录井工程, 2017, 28(3): 122-126.
WANG Jianmei. Development of while-drilling automated mud logging interpretation and evaluation system[J]. Mud Logging Engineering, 2017, 28(3): 122-126. [本文引用:1]
[4] 刘庆山, 刘坤, 于晓逸, 等. 基于人工智能的地质工程一体化钻井优化系统构建与应用[J]. 录井工程, 2025, 36(2): 1-6.
LIU Qingshan, LIU Kun, YU Xiaoyi, et al. Construction and application on AI-driven geology-engineering integration drilling optimization system[J]. Mud Logging Engineering, 2025, 36(2): 1-6. [本文引用:1]
[5] HU H C, HE C Q, XIE X C, et al. LRP4RAG： Detecting hallucinations in retrieval-augmented generation via layer-wise relevance propagation[EB/OL]. arXiv, 2024[2025-04-27]. Available from： https://arxiv.org/abs/2408.15533. [本文引用:1]
[6] 王重云. 数据治理在钻探企业的应用与探索[J]. 录井工程, 2024, 35(4): 8-13.
WANG Zhongyun. Application and exploration of data governance in the drilling enterprises[J]. Mud Logging Engineering, 2024, 35(4): 8-13. [本文引用:1]
[7] GAO Y F, XIONG Y, GAO X Y, et al. Retrieval-augmented generation for large language models： A survey[J]. arXiv preprint arXiv： 2312. 10997, 2023. DOI: 10.48550/arXiv.2312.10997. [本文引用:1]
[8] ZHONG Z J, LIU H W, CUI X Y, et al. Mix-of-granularity： Optimize the chunking granularity for retrieval-augmented generation[J]. arXiv preprint arXiv： 2406. 00456, 2024. DOI: 10.48550/arXiv.2406.00456. [本文引用:1]
[9] LEWIS P, PEREZ E, PIKTUS A, et al. Retrieval-augmented generation for knowledge-intensive NLP tasks[EB/OL]. arXiv, 2020 [2025-04-27]. Available from： https://arxiv.org/abs/2005.11401. [本文引用:1]
[10] BHAT S R, RUDAT M, SPIEKERMANN J, et al. Rethinking chunk size for long-document retrieval： A multi- dataset analysis[EB/OL]. arXiv, 2025[2025-05-29]. Available from： https://doi.org/10.48550/arXiv.2505.21700. [本文引用:1]
[11] 赵鑫, 窦志成, 文继荣. 大语言模型时代下的信息检索研究发展趋势[J]. 中国科学基金, 2023, 37(5): 786-792.
ZHAO Xin, DOU Zhicheng, WEN Jirong. Development trends of information retrieval research in the era of big language model[J]. Bulletin of National Natural Science Foundation of China, 2023, 37(5): 786-792. [本文引用:1]