1. 为什么要在对话里处理地质勘探数据地质勘探数据整理这件事做过的人都知道有多磨人。钻孔柱状图、测井曲线、岩芯描述表一个工区几十口井每口井几百米进尺靠人工对着曲线逐段判岩性一天下来眼睛发花不同人判出来的结果还不一致。更麻烦的是很多数据本身就不干净——曲线某段数值漂了、关键层位数据点缺失、不同批次井的测量标准有细微差异这些毛刺在传统流程里都得先花大量时间清洗。OpenClaw 这类工具的价值在于它把岩性识别做成了一个可以对话交互的过程。你不需要写完整的训练脚本也不用先把数据整理成完美格式而是可以在对话里逐步喂数据、看结果、调参数。它内置了对不干净数据的容忍机制也融合了半监督和迁移学习策略适合新区只有几口取芯井、标签样本少的情况。砂岩、泥岩、灰岩这类常见沉积岩识别比较稳火山岩、变质岩或薄互层会给出概率分布而不是硬结论提醒你哪些层段需要结合地震资料再判断。这篇面向的是想快速判断识别结果能不能满足勘探数据整理需求的人。我会从 config.toml 骨架和统一 Key 通道接入切入给出可复制的配置片段和验证动作让你在半小时内跑通一次对话式岩性识别看到实际输出长什么样。2. TaoToken 前置统一 Key 通道与 OpenClaw 接入OpenClaw 本身是一个对话式数据处理框架它的模型推理能力需要接一个大模型通道。TaoToken 在这里扮演的是统一 Key 通道的角色——你不需要为每个模型单独申请账号、管理多套密钥而是用一个 Key 走通模型对话、编码辅助、Agent 调用等场景。官网地址是 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 端点统一为 https://taotoken.net/api 。接入前你需要先在控制台创建一个 API Key然后把它写进 OpenClaw 的 config.toml。这里要区分两个概念模型对话适合做单次岩性识别验证你贴一段测井曲线数据进去看模型怎么判Coding Plan 适合长期做勘探数据整理脚本开发或 Agent 流程编排因为岩性识别往往不是一次性的而是要反复迭代、批量处理多口井。如果你只是先试试效果用模型对话通道就够了如果要把它嵌进日常数据整理流水线建议走 Coding Plan。创建 Key 的入口在控制台的 API Keys 页面文档在接入文档里可以查到完整的参数说明。拿到 Key 之后下一步就是写 config.toml。3. 可复制的 config.toml 骨架OpenClaw 的配置文件通常放在项目根目录或~/.openclaw/config.toml。下面是一个最小可用的骨架我把它拆成三段通道配置、模型参数、岩性识别任务配置。# config.toml - OpenClaw 岩性识别对话配置骨架 [channel] # 统一 Key 通道所有模型调用走这里 provider taotoken base_url https://taotoken.net/api api_key sk-your-taotoken-key-here timeout_seconds 120 [model] # 对话式岩性识别用的模型 name claude-sonnet max_tokens 4096 temperature 0.2 # 岩性判断要稳定温度调低 top_p 0.9 [lithology] # 岩性识别任务参数 task lithology_recognition input_format las # 支持 las / csv / json depth_unit m curve_columns [GR, RHOB, NPHI, DT, PE] label_set [sandstone, shale, limestone, dolomite, coal] confidence_threshold 0.65 output_mode prob_dist # 输出概率分布而非硬标签 [preprocess] # 针对不干净数据的容忍配置 handle_missing interpolate outlier_detection zscore outlier_z_threshold 3.0 normalize per_well # 按井归一化减少批次差异几个参数值得说明。temperature 0.2是为了让岩性判断稳定同一段曲线多次请求结果不会跳来跳去。confidence_threshold 0.65是置信度门槛低于这个值的层段会被标记为待人工复核而不是强行给一个岩性标签。output_mode prob_dist让模型输出概率分布你能看到每个深度点判为各岩性的可能性这对火山岩、变质岩这类复杂岩性特别有用。normalize per_well是按井归一化解决不同批次井测量标准差异的问题。handle_missing interpolate对缺失数据点做插值outlier_detection zscore用 Z 分数识别异常值阈值 3.0 意味着超过 3 个标准差的点会被当作毛刺处理。配置写好后把api_key换成你在控制台创建的真实 Key。如果你还没有 Key先去 API Keys 页面创建一个注意 Key 只在创建时显示一次记得保存。4. 验证请求与成功结果配置就绪后先做一次最小验证用一段模拟测井数据跑一次对话式岩性识别看返回结构是否符合预期。准备一个简单的 LAS 文件test_well.las包含 GR、RHOB、NPHI 三条曲线深度从 1000m 到 1010m每 0.5m 一个采样点。然后执行openclaw run --config config.toml --input test_well.las --task lithology_recognition如果通道配置正确你会看到类似下面的输出{ well: test_well, depth_range: [1000.0, 1010.0], predictions: [ {depth: 1000.0, lithology: sandstone, confidence: 0.82, prob_dist: {sandstone: 0.82, shale: 0.11, limestone: 0.05, dolomite: 0.02}}, {depth: 1000.5, lithology: sandstone, confidence: 0.79, prob_dist: {sandstone: 0.79, shale: 0.14, limestone: 0.04, dolomite: 0.03}}, {depth: 1001.0, lithology: shale, confidence: 0.71, prob_dist: {sandstone: 0.18, shale: 0.71, limestone: 0.07, dolomite: 0.04}} ], flagged_intervals: [ {depth_range: [1005.0, 1006.5], reason: low_confidence, max_confidence: 0.58} ], summary: { total_points: 21, high_confidence: 18, flagged: 3, dominant_lithology: sandstone } }看到这个结构说明通道通了、模型在正常工作。重点看三个地方prob_dist里各岩性的概率分布是否合理flagged_intervals是否把低置信度层段标出来了summary里的高置信度占比是多少。如果高置信度占比低于 70%说明这段数据本身比较复杂或者曲线组合不够需要补充曲线或调整confidence_threshold。再验证一次对话交互模式直接问模型openclaw chat --config config.toml然后在对话里输入这段 1000-1010m 的 GR 曲线均值 75APIRHOB 2.35g/cm³NPHI 0.28判断岩性并给出依据。 模型会返回岩性判断和推理过程你能看到它是基于哪些曲线特征组合做的判断。这种可解释性对地质师建立信任很重要。5. 本篇常见错排查接入和验证过程中最容易卡在几个地方。下面按报错现象、原因、解决动作来列。报错一401 Unauthorized或invalid api key原因通常是 Key 写错、Key 已失效、或者base_url写成了带路径的地址。检查 config.toml 里的api_key是否和控制台创建的一致base_url必须是https://taotoken.net/api不要在后面加/v1或其他路径。如果 Key 确认无误还是 401去控制台重新创建一个 Key 再试。报错二connection timeout或read timeout岩性识别请求的数据量可能比较大尤其是整口井的曲线数据。把timeout_seconds从默认值调到 120 或更高。如果还是超时检查网络是否能正常访问taotoken.net可以用curl -I https://taotoken.net/api看返回状态码。报错三curve column not found: PEconfig.toml 里curve_columns列了 PE 曲线但输入的 LAS 文件里没有这条曲线。要么从curve_columns里删掉 PE要么在 LAS 文件里补上。OpenClaw 不会自动跳过缺失曲线它会直接报错这是为了避免用不完整特征做判断。报错四识别结果全是同一种岩性如果整口井都判成 shale 或 sandstone先看temperature是不是设太高了调到 0.1-0.2。再看normalize是不是设成了global改成per_well试试。还有一种可能是曲线组合区分度不够比如只有 GR 一条曲线砂岩和灰岩的 GR 值可能重叠加上 RHOB 和 NPHI 后区分度会明显提升。报错五flagged_intervals过多高置信度占比低于 50%这说明模型对这段数据没把握。先检查数据质量用outlier_z_threshold调低到 2.5 看看异常值是不是太多。如果数据本身没问题可能是岩性组合超出了label_set的范围比如实际有火山岩但label_set里没有模型只能在给定标签里硬选。这时候需要扩充label_set或者把这段单独拿出来做人工判断。报错六对话模式下模型不返回概率分布对话模式默认输出自然语言解释不走output_mode prob_dist的结构化输出。如果你需要概率分布用openclaw run批处理模式或者在对话里明确要求给出各岩性的概率分布。6. 从验证到日常使用跑通验证之后你可以把 config.toml 复制成多个版本按工区或井组区分参数。比如新区井少、标签少把confidence_threshold调到 0.55让更多层段进入候选老区数据质量好调到 0.75减少人工复核量。批量处理多口井时用openclaw run --config config.toml --input-dir ./wells/ --output-dir ./results/它会按井逐个处理并输出 JSON 和剖面图。剖面图里会附带置信度曲线低置信度层段用不同颜色标出地质师可以直接在图上定位需要重点看的深度段。如果你要把岩性识别嵌进日常数据整理流水线建议走 Coding Plan 通道把 OpenClaw 的调用封装成脚本或 Agent 任务配合定时调度做增量处理。新井数据进来后自动跑一遍输出结果和待复核清单人工只需要处理 flagged 层段。这样既保留了人的判断权又把繁重的初筛工作交给了模型。模型对话通道适合做单次验证和参数调试Coding Plan 适合长期批量处理。两个通道用的是同一个 Key切换时只需要改 config.toml 里的模型名称和调用方式不用重新申请凭证。