《Journal of Geochemical Exploration》：Design and implementation of an intelligent mineral prospecting system integrating large language models: GoldMiner-AI
编辑推荐：
•一个端到端的智能系统将地球化学数据和人工智能集成在一起。•KAR-Graph 可识别矿化的诊断性元素组合。•一个领域特定的 RAG-LLM 提高了知识检索能力并减少了错误预测。引言矿产资源是国家能源安全的基石，也是发展战略性新兴产业的基础。因此，准确预测其空间分布仍然是地质学研
- •
一个端到端的智能系统将地球化学数据和人工智能集成在一起。
- •
KAR-Graph 可识别矿化的诊断性元素组合。
- •
一个领域特定的 RAG-LLM 提高了知识检索能力并减少了错误预测。
引言
矿产资源是国家能源安全的基石，也是发展战略性新兴产业的基础。因此，准确预测其空间分布仍然是地质学研究的核心目标（Wang 和 Yuan, 2022）。然而，传统的勘探方法主要依赖于专家的经验和定性判断，这种依赖性导致多源数据整合效率低下，阻碍了标准化、可重复工作流程的建立（Zhao 和 Chen, 2021）。如今，地球科学正进入一个以大数据、云计算、人工智能（AI）、区块链和物联网（IoT）深度融合为特征的时代（Zhou 等人, 2021; Zhou 和 Xiao, 2024）。与此同时，大规模预训练模型的快速进展以及自然科学领域的持续 AI 突破（Shao 等人, 2025; Xu 等人, 2021）使 AI 成为科学范式转变的关键推动力。在这种背景下，AI for Science 正逐渐重塑地质研究系统和认知框架（Baumann 等人, 2016; Guo, 2017; Zhou 和 Zuo, 2025）。
最近的地球化学勘探工作已经从基于阈值的分析和分形/多重分形异常分离转向数据驱动的模式识别、元素关联挖掘以及可解释的深度学习（Zuo 和 Wang, 2016; Wang 等人, 2018; Liu 等人, 2018, Liu 等人, 2020; Yu 等人, 2024a, Yu 等人, 2024b; Zuo 等人, 2024a, Zuo 等人, 2024b; Zhu 等人, 2025）。在集成系统开发方面，也有一些探索性的尝试。例如，KoBold Metals 开发的 AI 驱动的矿物预测系统在加拿大成功发现了新的镍钴资源（Goldman 和 House, 2023），而 Zuo 等人（2024a, 2024b）开发的 ArcMPM 是一个基于 ArcEngine 平台的矿物勘探软件。然而，地质数据具有多源、异构、多尺度和非结构化的特点，这给全面的数据采集、高效管理、智能分析和可视化表示带来了持续的挑战（Chen 等人, 2023; He 等人, 2022; Sun 等人, 2022）。目前，大多数研究仍集中在勘探工作流程的各个阶段，而涵盖数据采集、数据整合、异常识别和智能预测的端到端系统级研究仍然相对有限。
为了解决这些挑战，我们开发了 GoldMiner-AI，这是一个基于微服务架构的模块化智能矿物勘探系统。其模块化设计实现了功能解耦和独立服务部署，从而提高了系统的可维护性、可扩展性和运行稳定性。此外，通过与国家工业互联网识别系统的集成，GoldMiner-AI 实现了从数据采集和管理到智能分析和解释的整个勘探工作流程的端到端自动化。使用多地区和多商品数据集进行的验证证明了系统的强大适应性和运行可靠性。GoldMiner-AI 提供了一个可扩展的参考架构，将矿物勘探从孤立的分析任务转变为一个集成化、可追溯和智能的工作流程。
章节摘要
GoldMiner-AI
GoldMiner-AI 是一个基于微服务架构开发的在线软件系统。其底层框架采用了 RuoYi-Cloud-Plus，并整合了来自阿里巴巴的多个开源组件，包括 Nacos、Sentinel、Seata 和 Gateway，而核心功能则使用 Java 和 Python 实现。在数据层面，该系统利用工业互联网识别系统来协调和编排多个数据库和存储引擎，如 MySQL 和 Neo4j。
GoldMiner-AI 的开发流程
GoldMiner-AI 被设计为一个全流程的智能矿物勘探工具，集成了数据分析、深度学习和大型语言模型（LLMs），以实现从数据采集到预测的工作流程自动化。该系统部署在 Linux CentOS 7.9 服务器上。基于 Docker 的容器化策略封装了各个业务组件，docker-compose 用于服务编排和统一管理。在架构上，它采用了前端/后端分离的设计。
功能实现和应用案例研究
我们通过四个功能模块和三个案例研究来展示 GoldMiner-AI 的实际应用。
限制与未来工作
需要承认几个限制。首先，GoldMiner-AI 目前被设计为一个通用智能勘探平台，尚未完全纳入特定矿床类型的成矿约束条件。由于不同矿床类型可能具有不同的异常模式、元素关联和预测指标，未来的版本应整合更多针对特定矿系统的专业知识模板和建模策略。其次，当前的系统
结论
GoldMiner-AI 将基于 IoT 的监控、大数据分析、深度学习、知识图谱和基于 LLM 的问答集成到一个统一的矿物勘探工作流程中。主要结论如下：
(1)通过利用工业互联网识别系统，GoldMiner-AI 支持整个地质勘探和开发生命周期中的数据统一管理和全程追溯。
(2)多个案例研究表明，所提出的系统
CRediT 作者贡献声明
朱标彪：撰写 – 审核与编辑，撰写 – 原始草稿，软件设计，方法论，概念化。周永章：撰写 – 原始草稿，资源获取，调查，资金筹集，概念化。牛璐佳：调查，数据整理。余欣辉：调查。王正哲：验证。郭艺佳：资源获取。张玉清：调查。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
致谢
本研究得到了 中国国家重点研发计划（2022YFF0801201）和 国家自然科学基金（U1911202）的共同支持。
Biaobiao Zhu|Yongzhang Zhou|Lujia Niu|Xinhui Yu|Zhengzhe Wang|Yijia Guo|Yuqing Zhang
