收益：
- 能够在实验室结果的处理、质量控制和报告中有效地使用人工智能
- 能够利用人工智能加速地质/岩土报告起草、文献综述和数据汇总
- 能够通过可追溯性、来源确认和工程师批准来保护自动生成的内容
地质工程师的工作中有很大一部分是看不见的，但很大一部分是在办公室进行的：处理实验室结果、质量控制、制表数据、撰写报告、扫描文献以及准备地图和图表。这些工作重复、耗时且需要注意力；这正是人工智能最能节省时间的领域。但这里也有一个陷阱：报告是工程决策的官方依据。捏造的来源、错误的数字或无法追踪的声明可能会在不被注意的情况下溜进流畅的文本中，后果可能会很严重。该部门的目标是在使用人工智能提高端到端办公效率的同时，建立一个永不放松可追溯性、来源确认和工程师审批的纪律。
在本单元中，我们将涵盖三个办公室前沿：实验室结果处理和 QA/QC（清理和确保分析数据）、报告和文献制作（起草、摘要和筛选加速）以及工作流程自动化（规范重复性任务）。每一步，AI都是起草者和组织者；内容的准确性、来源及最终认可权归工程师所有。
实验室结果处理和 QA/QC
实验室结果（等级分析、土壤指数测试、水化学）通常以不同的格式、不同的单位得出，有时甚至是错误的。 AI 将这些数据纳入单一模式，捕获单位不一致、标记低于检测限并检查 QA/QC 样品（空白样品、标准参考材料、再分析）。 QA/QC（质量保证/质量控制）是证明实验室可靠性的检查：如果空白样品存在污染、标准存在偏差、重复样品不符合规定，则数据就有问题。
关键点：人工智能永远不会默默地删除或更正某个值。它的工作是标记有问题的线路并让工程师做出决定。异常值可能是真正的高矿石或实验室错误；工程师根据上下文进行了区分。人工智能会检查数据，但不会清理数据。
提示：处理实验室数据时，在每次提示时重复“仅标记，请勿更改”规则。人工智能最阴险的错误是它通过“纠正”具有良好意图但没有意识到的值来破坏原始数据。
报告及文献制作
AI是报告撰写中的强大起草者：在几分钟内起草方法部分、介绍性上下文、结论摘要；总结了大量文献；将复杂表格转换为纯文本。但有两个危险是显而易见的。第一个是捏造的来源：模型可以自信地生成一篇不存在的文章、一个虚假的作者或一篇不存在的经典文章。其次，数字处理错误：等级、安全系数或深度在传递到文本时可能会被错误地传递。
所以黄金法则是：人工智能产生草稿，工程师验证并拥有它。每个来源都经过原始确认（杜撰的参考文献是最常见的幻觉类型）；将每个数字与原始数据进行比较；每项技术声明都经过工程知识的测试。报告一旦签署，其中每句话的责任都由签署者承担——“人工智能写的”不是借口。
注意：千万不要按原样接受人工智能产生的参考书目。虚构但看起来很真实的参考文献（看似准确的作者、期刊、年份）是最常见和最危险的幻觉。根据独立数据库验证每个引用。
工作流程自动化和可追溯性
利用人工智能自动执行重复性任务（处理每月水监测数据、填写标准报告模板、组合钻孔表）可提高效率。但自动化也可以自动化错误：错误的规则一旦建立，就会在每次运行时默默地重复。这就是为什么自动化工作流程必须是可追踪的：记录每个输出来自哪个输入、哪个步骤、哪个模型版本；当发现错误时，根本原因和所有受影响的输出必须是可追踪的。
可追溯性在实践中意味着：记录输入数据的来源和日期、应用的转换、使用的提示/模型版本以及人工批准步骤。这确保了调试和工程责任。无法控制的自动化，无论多快，在安全关键型业务中都是不可接受的。
三个迷你案例：从数字来看
案例 1 — 捕获 QA/QC 漂移。一批实验室货物包含 320 个等级样品。 AI QA/QC 筛选将标准参考材料标记为在过去 40 个样品中系统性存在 8% 的读数不足 — 仪器校准漂移。这种系统性错误是一个很难通过人工检测但影响整个批次的问题；对这批货物进行了重新分析。他没有决定模式，他让模式变得可见。
案例 2 — 伪造源。 AI 起草了一份岩土工程报告的文献部分并制作了六份参考文献。核实后发现，其中两篇根本不存在，一篇被归错期刊。如果没有根据独立数据库对参考文献进行一一检查，捏造的来源就会进入一份签名的工程报告。吃水速度加快了；确认已保存。
案例 3 — 具有可追溯性的根本原因。在每月的水监测自动化中，观察井的数值在三个月内以错误的单位报告。借助可追溯性记录，我们可以在几分钟内找到错误开始的转换步骤，并创建三个受影响报告的完整列表。如果没有保留记录，就不清楚哪些打印输出被损坏，整个档案都会受到怀疑。
弱提示/强提示
弱提示：
为本项目撰写岩土工程报告，包括文献。 [数据]
强力提示：
您的角色：报告起草者。起草一份包含以下数据的报告，但是：1) 仅基于我提供的数据；请勿编造数字、来源或发现。 2) 用括号显示每个数字来自哪个输入行。 3）不要弥补文献的实际来源，而是放置一个占位符“将在此处添加有关[主题]的经过验证的来源”。 4) 将您不确定的地方标记为“需要工程师确认”。最终内容和所有来源将由我验证。数据是匿名的。
四个可复制模板
1) 实验室QA/QC检查：
检查实验室结果表：单位差异、低于检测限的迹象、空白样品中的污染、标准参考中的系统漂移、重复样品中的不合规性。仅使用 example_id 标记有问题的行；不要删除或更正任何值。决定权是我的。
2) 强制来源确认：
拿出本文中的所有数字声明和来源引用，并制作一个清单：每个数字所基于的输入，需要确认的每个来源的引用。源头制造；在无法验证的地方标记“必须验证”。
3）追溯记录框架：
为此自动化工作流程提出可追溯性记录模板：输入源和日期、应用的转换、使用的提示/模型版本、人工批准步骤。展示发现错误时如何找到根本原因和受影响的输出。
4）报告一致性检查：
扫描报告草稿以确保内部一致性：摘要中的数字是否与正文匹配，表格和文本是否冲突，单位是否一致，是否有未定义的缩写？列出问题；内容决定权是我的。
办公室职责、收入和控制
任务
人工智能增益
主要风险
强制检查
实验室数据处理
高
无声纠正
“标记、删除”+原始数据
质量保证/质量控制检验
高
不要错过幻灯片
盲法/标准法/再确认法
报告草稿
高
虚构的问题/来源
数量和来源确认
文献综述
高
编造的参考
独立数据库验证
工作流程自动化
非常高
重复错误
追溯记录
提示：在设置自动化之前，请询问“我如何知道此工作流程是否正常工作？”回答问题。如果答案不明确，请先添加追溯和控制点；在可控性之后才是速度。
常见错误
- 默默地修正值。人工智能“改进”原始数据是最阴险的错误；规则应该始终是“标记，不要更改”。
- 不验证参考书目。虚构的参考是最常见的幻觉。每个印记必须经过独立验证。
- 不检查携带号码。当进入文本时恶化的主旨或安全系数隐藏在流畅的文本中。
- 建立不可追踪的自动化。在不保留记录的工作流程中，无法确定错误的根本原因和影响。
- 以“人工智能写的”为借口寻求庇护。签署的每句话的责任由签署人承担；审批不能放松。
综上所述
- 办公室工作是人工智能最节省时间的领域；但该报告是决策的官方依据，错误的代价是高昂的。
- 在实验室数据中，人工智能会审核，而不是清理；规则是“标记、删除/更正”，由工程师决定。
- 报告和文献中伪造来源和数字是最常见的风险；每个来源和号码都经过验证。
- 自动化会增加错误和速度；可追溯性记录可确保根本原因和受影响的输出。
- 工程师对签字内容负责； “人工智能写的”不是借口。
应用任务
接收匿名实验室结果表（或代表性数据）。使用“实验室 QA/QC 审核”模板标记问题行；有意识地系统地移动标准参考值并测试模型是否捕获它并尝试删除该值。然后，起草一份简短的报告部分，并使用“来源验证挑战”模板将其中的每个问题和来源放入清单中。
清单
- [ ] 我总是对实验室数据上的人工智能应用“标记、删除/更正”规则。
- [ ] 我使用 QA/QC 样品（空白、标准、重复）检查实验室可靠性。
- [ ] 我独立核实报告和文献中的每个来源和数字。
- [ ] 我设置了具有可追溯性的自动化工作流程。
- [ ] 我承认我对我签署的内容承担全部责任。