金石软件

原创 AGENT 教程 S05 技能系统（Skill）

不再把所有知识一次性塞进提示词，做到用什么技能，就加载什么技能。技能系统的核心不是新增一个工具，而是把「各类专项知识」从常驻提示词中剥离，拆分为「轻量目录发现 + 完整内容按需加载」，精简上下文、节约 Token，让 Agent 架构更灵活易扩展。

原创 AGENT 教程 S04 子代理 Subagent｜上下文隔离

本文介绍了S04子代理（Subagent）的实现，旨在解决S03架构中主上下文消息爆炸的问题。通过新增task工具和子代理逻辑，实现任务隔离，避免中间日志污染主上下文。 核心改进点： 父Agent可将探索类子任务外包给子代理 子代理拥有独立消息列表，仅返回精简总结给父上下文 限制子代理工具集（禁用task）和最大运行轮数（5轮） 关键特点： 保持S03原有代码不变 子代理为一次性临时实例 防止递归调用和无限循环 有效降低API调用成本 文章包含详细的问题分析、架构对比、常见误区说明以及完整实现代码，强调子代

原创 Agent教程 S03 会话级待办规划

文章摘要： S03会话级待办规划系统在S02基础上新增todo工具，将任务计划从LLM隐性记忆转为程序外置状态。该系统解决了多步骤任务的三大痛点：任务漂移、重复操作和计划不可控。通过TodoManager类实现任务清单的增删改查，强制单任务锁定（in_progress）和自动提醒机制。架构上保持S02原有4个工具不变，仅新增todo工具和状态管理模块。代码实现采用分层设计，确保与S02兼容性，并修复了Windows bash编码问题。系统提示词明确要求AI必须使用todo工具进行多步骤任务规划，实现任务进度

原创 agent教程S02 工具路由分发

本文介绍了S02工具路由分发的结构化设计方案，目标是解耦工具与主循环，支持新增工具无需修改Agent主代码，并增强文件操作安全性。文章通过分析S01硬编码工具的三大痛点（代码膨胀、安全漏洞、循环稳定性差），提出分层架构方案：在Agent主循环外新增工具分发层，通过字典映射（TOOL_HANDLERS）实现工具路由，并引入路径沙箱（safe_path）限制文件访问范围。具体实现包括：定义安全工作目录、编写四类独立工具函数（bash/读写/编辑文件）、工具分发字典、复用S01主循环逻辑，以及消息规范化处理。该设

原创 agent教程S01-Agent 最小循环教程整理

文章摘要 该教程详细介绍了如何将原生大语言模型（LLM）升级为自主执行任务的智能体（Agent）。首先指出原生LLM的局限性——只能生成文本而无法主动调用工具、获取执行结果并进行迭代思考。核心解决方案是建立循环调度机制，实现模型输出→工具执行→结果反馈→继续推理的闭环流程。教程拆解了Agent的关键概念（循环、轮次、工具结果等）和数据结构（消息体、工具结果块、循环状态），并提供了最小Agent循环的代码实现，强调工具结果必须回写消息历史的必要性。最后通过三个实战案例（计算器、时间查询、文件操作）演示了如何基

原创 告别 akshare 依赖！a-stock-data V3.0 A 股全栈数据工具包：7 层架构一站式搞定投研数据

a-stock-data 是一款A股全栈数据工具包，核心以独立SKILL.md文件为载体，采用结构化Markdown+内嵌Python设计，把13个分散的A股原始数据源封装成可直接调用的工具集。a-stock-data V3.0 无疑是目前最适合个人开发者的免费A股全栈数据工具，摒弃臃肿的akshare依赖，直连原生API更稳定；7层架构覆盖全投研场景，28个端点满足绝大多数数据需求；同时深度适配AI编程助手，把复杂的数据采集、接口适配全部封装，让投研和量化开发零门槛、高效率。

原创 Transfomer的位置嵌入理解

本文详细解析了Transformer模型中的位置嵌入机制。对于文本Transformer，位置嵌入解决自注意力机制的位置无关性问题，通过将位置索引编码为向量并与词向量相加，使模型理解词序。主流方法包括固定正弦编码和可学习位置嵌入。对于图像Transformer(ViT)，位置编码需处理二维空间关系，常见方法有1D顺序编码、2D行列编码和相对位置编码。关键区别在于：文本位置是词序索引，图像位置是patch的2D坐标。位置嵌入使Transformer既能理解内容又能感知结构信息，对处理序列和空间数据至关重要。

原创 燃气调压器数据可能存在的问题

本文整理了燃气调压器SCADA数据建模前常见的八类数据问题，包括调压器未使用/停用数据、低负荷运行数据、正常运行数据、缺失值问题、重复时间戳问题、异常尖峰值问题、异常低值/瞬时掉零问题以及传感器卡死/数据冻结。针对每类问题，提供了模拟数据样本、判断特征和处理建议。这些问题可能影响建模效果，需在数据预处理阶段进行识别和适当处理，如标记特殊状态、删除重复数据、插值填充缺失值等，以确保数据质量和模型准确性。

原创 VUE3入门

Vue3 是一个基于组件化的前端框架，通过响应式数据自动同步页面更新。核心概念包括：单文件组件（.vue文件）整合模板、逻辑和样式；响应式数据（ref/reactive）实现数据驱动视图；模板语法（插值、指令）连接数据与DOM；组件化开发（props/emit）构建模块化应用；组合式API提升逻辑复用性；配套工具（Vue Router/Pinia）处理路由和状态管理。Vue3让开发者专注于数据状态，自动处理DOM更新，简化复杂前端开发。

原创 采油工程从入门到理解

石油开采技术创新与应用摘要 本文系统介绍了四种提高石油采收率的核心技术及其配套管理措施： 热力采油技术 蒸汽驱/吞吐通过300℃高温将稠油粘度降低100-1000倍 典型案例：辽河油田稠油热采使单井日产量从0.5吨提升至5-10吨 成本效益：蒸汽驱采收率达40-60%，吨油成本约150元 气体驱油技术 CO₂驱实现原油体积膨胀10-40%，粘度降低50-80% 吉林油田应用显示可提高采收率10-20个百分点 兼具环保效益：单吨油消耗0.3-0.5吨CO₂实现碳封存 生物技术应用 微生物采油通过代谢产物改善原

原创 机器学习从入门到理解

偏差（拟合不足）与方差（拟合过度）。不存在绝对最优的单一模型，所有模型选择、正则化、特征工程、集成学习、模型复杂度设计，本质都是在动态平衡二者，寻找全局最优泛化点。机器学习模型天然只能学习相关性，无法自动推导因果关系。数据中的混杂变量、辛普森悖论、虚假关联、时序耦合会产生大量伪规律；顶尖研究者会天然区分「统计关联」和「现实因果」，拒绝把拟合规律直接等同于业务逻辑。泛化能力是模型的唯一终极指标，训练集准确率无实际价值。在同等效果下，优先选择结构更简单、参数更少、约束更强、依赖更少特征的模型；

原创 CNN循环神经网络关键知识点

完全沿用你之前RNN表格格式思维模式解决核心问题技术支撑理论意义局部相关性先验图像空间冗余连接局部连接机制放弃全连接暴力建模，利用图像天然结构先验空间参数共享位置差异、参数爆炸、过拟合滑动卷积权重复用实现特征位置无关提取，极大轻量化模型层次化特征抽象底层像素到高层语义建模多层卷积堆叠融合复刻视觉认知规律，实现高阶目标识别空间聚合降维鲁棒特征冗余、形变干扰、计算量大池化下采样操作信息提纯，提升模型抗干扰能力与计算效率感受野逐层扩张局部卷积无法获取全局信息。

原创 RNN循环神经网络关键知识点

以下是循环神经网络（RNN）核心内容的摘要（150字以内）： RNN领域存在五大核心思维模式：1）时序依赖建模，通过循环连接捕捉序列元素间动态关系；2）隐藏状态记忆机制，动态编码历史信息；3）参数共享设计，适应变长序列并降低复杂度；4）时间维度展开，将循环结构转化为可训练的前馈网络；5）长短期依赖权衡，通过门控机制（LSTM/GRU）解决梯度问题。主要争议集中在：RNN与Transformer的架构选择、门控机制的有效性，以及参数共享的合理性。当前趋势倾向于混合架构（如RNN+注意力），在保持时序建模优势的

原创 Time-Series-Library 仓库的使用

本文介绍了如何在Time-Series-Library时序预测框架中添加自定义模型。主要步骤包括：1) 在models目录下编写模型代码并遵循接口规范；2) 在__init__.py中注册新模型；3) 创建配置文件指定参数；4) 通过run.py脚本运行训练。该框架采用标准化设计，只需实现模型结构并正确注册，即可复用现有的训练/测试流程。文中以MyMLP为例演示了完整接入流程，并说明了模型替换和常见问题解决方法，帮助开发者快速集成自己的时序预测模型。

原创 THUML 团队开源的时间序列深度学习工具箱

-model：换模型（TimesNet/iTransformer/DLinear）：换任务（long_term_forecast/imputation/anomaly_detection）：换数据集（ETTh1.csv/ETTh2.csv/ETTm1.csv）示例：长预测换iTransformer模型克隆代码→装环境→放数据→一键运行，不用懂复杂原理，就能直接用时间序列SOTA模型做任务。

原创 机器学习中的小提琴图有什么作用

让我画一个直观的对比来帮助理解：如上图所示，左侧的箱线图中两组数据的统计摘要几乎一样（中位数、四分位距接近），很容易误以为它们是相似的分布。在房价预测中，“房屋面积"这个特征的小提琴图如果出现两个明显的"鼓包”（双峰），往往意味着数据混合了两种不同类型的房屋（比如公寓和别墅）。小提琴图（Violin Plot）是机器学习和数据分析中一种非常实用的可视化工具，它结合了箱线图和核密度估计图的优点，主要用于展示数据的分布形态。好的，下面用三个具体场景来说明小提琴图在特征分布分析中的应用。

原创 什么是机器学习中的类别不平衡

本文探讨了数据不平衡问题及其解决方案。数据不平衡指各类别样本数量差异显著，如欺诈检测中正常交易远多于欺诈交易。这会导致模型偏向多数类、少数类学习不足、评估指标误导等问题。文章分析了模型"偷懒"的理论原因，如损失函数和梯度下降的影响。判断不平衡程度可分为基本平衡(1:1~1:2)、轻度(1:2~1:10)、中度(1:10~1:100)和极度不平衡(1:100+)。解决方案包括数据层面的重采样技术（随机过采样、SMOTE合成采样、随机欠采样）和算法层面的调整（类别权重、代价敏感学习、集成方法

原创 故障诊断的常用github仓库

原创 油藏工程设计、地质工程设计、钻井工程设计、采油工程设计

石油工程四大设计协同作业体系解析 石油开发是一个系统工程，主要包括四大设计环节：油藏工程设计作为"总设计师"制定整体开发方案；地质工程设计担任"侦察兵"角色，提供地质依据；钻井工程设计作为"施工队长"负责具体钻井方案；采油工程设计则是"运营经理"，负责开采方案制定。这四大设计形成递进依赖关系：油藏设计指导地质设计，地质数据支撑钻井设计，钻井结果决定采油设计，而采油数据又反馈优化油藏设计。通过渤海湾油田开发案例可见，四大设计协同作

原创 如何利用agent进行软件开发

文章摘要（150字）： 本文提出一套AI Agent开发标准化流程，解决90%开发者「需求模糊→Agent盲写→结果偏离」的痛点。核心采用人主导规划+Agent分阶执行模式，将开发拆解为6个阶段：1）结构化需求锚定；2）原子任务拆分；3）单微任务执行；4）即时校验；5）集成联调；6）验收交付。通过钻井现场「固井工程设计系统」案例，演示如何用Python+PyQt6实现需求结构化（输入井深/套管参数→生成规范文档）、任务原子化（每个功能10分钟完成）、边做边验（避免堆叠错误）。最终交付可离线运行的工程软件，满

原创 孤立森林（Isolation Forest）原理小白教程

孤立森林通过随机划分的难易程度来判断异常，异常点因稀疏而"易碎"，正常点因密集而"坚韧"。这个算法之所以优美，在于它完全放弃了"定义什么是正常"的复杂建模，转而利用异常点的结构性弱点——稀疏性，使其成为工业界异常检测的首选方案之一。孤立深度 = 把这个点单独切分出来，需要砍多少刀拿一堆数据（99%正常，1%异常）建很多棵孤立树，每棵树随机切分数据统计每个点被孤立需要的刀数（孤立深度）算平均深度，得出异常分数分数低=异常，分数高=正常一句话终极总结正常点扎堆，难切分，刀数多，分数高。

原创 OpenClaw + Claude Code 组合开发软件小白教程

OpenClaw+Claude Code的核心价值，是让小白跳过「学习编程细节」，直接掌握「项目开发逻辑」——你只需要说清**「想要什么」，OpenClaw帮你拆成「该做什么」，Claude Code帮你落地「怎么做好」**。这套组合的本质是AI分层协作，而非单纯的「代码工具」，掌握后你能从「写代码的程序员」升级为「管项目的产品经理」，用AI完成原本需要专业开发团队才能做的事，这也是未来AI开发的核心趋势。

原创 石油开发全流程

8个阶段的核心逻辑的是“找油→认油→定方案→定路线→打通道→取油→输油→稳产”，每个阶段都有明确的目标和产出，案例均来自真实油田场景，小白可快速理解每个环节的作用和意义。

原创 科研龙虾 Research-Claw 使用教程

科研龙虾Research-Claw是一款本地运行的AI科研助手，覆盖文献管理、论文写作等全科研流程，数据完全存储在本地。支持macOS/Linux/Windows系统，推荐使用Docker一键安装。安装后只需配置LLM API Key即可使用，无需复杂设置。核心功能包括：Zotero文献自动分类、组会材料自动生成、论文写作辅助、科研文献追踪和实验复现等。提供可视化Dashboard界面，支持自然语言对话操作，适合科研新手快速上手。所有操作均在本地完成，确保数据安全，个人学术使用完全免费。

原创 agent的核心模式

AI编程Agent的核心工作原理是一个循环执行"推理-行动-反馈"的过程。其基本流程包括：1)调用大模型进行决策；2)根据模型输出决定是否使用工具；3)执行工具并记录结果；4)将结果反馈给模型进行下一轮决策。这种模式使AI能够像人类一样，通过调用工具获取信息，经过多轮思考后给出最终答案。典型案例包括查询天气或股价，Agent会根据当前信息决定是否需要调用外部工具，并根据工具返回结果采取不同行动。这种循环机制赋予了AI动态决策和记忆能力，使其能够处理复杂多步骤任务。

原创 EUR简明教程

EUR（估算最终采收量）详解：石油工程核心指标 EUR指一口井或油田从投产到报废期间可采出的总油量，是石油开发的关键指标。常规油藏时代，EUR=地质储量×采收率；现代非常规油藏（如页岩油）则需通过产量递减曲线(DCA)动态预测。核心公式为EUR=已累计产油+未来可采油量，其中未来产量需推算至经济极限产量。典型示例：常规井EUR=10万吨储量×30%采收率=3万吨；页岩油水平井通过DCA推算出EUR=1.2万吨。EUR受地质条件、工程手段（水平井长度、压裂规模）、开发方式和油价共同影响，需注意其与经济可采量的

原创 设备退化物理机制与可靠性理论基础 小白精通教程

摘要： 本教程以通俗易懂的方式讲解设备退化与可靠性理论，适合零基础学习者。核心逻辑为：物理机制是退化的内因，环境应力是外因；可靠性则量化这一过程并预测失效时间。教程分为三部分： 基础概念：定义设备退化（性能持续下降）与可靠性（规定条件下的正常工作能力）； 退化机制：分类解析机械类（磨损、疲劳等）、电子类（热老化、电迁移等）及通用退化原因（时效老化、环境老化）； 可靠性量化：介绍可靠度、失效率等核心指标及浴盆曲线，帮助预测设备寿命。全程辅以生活类比，弱化公式，注重实用逻辑。

原创 设备剩余寿命预测研究全景综述：从理论奠基到智能前沿

摘要 设备剩余寿命预测是预测性维护的核心技术，在工业领域具有重要应用价值。本文系统梳理了该领域从2000年代初至今的发展历程：早期基于物理模型和统计方法的研究（2000-2010年）；机器学习方法的兴起阶段（2010-2015年），以SVM、随机森林等算法为主；深度学习突破阶段（2015-2020年），LSTM、CNN等模型显著提升预测性能；以及当前物理信息驱动的混合智能方法（2020年至今）。文章详细分析了各类预测模型的技术原理、适用场景和优劣对比，介绍了基准数据集和评估体系，为研究者提供了从理论基础到前

原创 设备剩余寿命(RUL)预测必读10篇文献

以下精选 10 篇覆盖统计模型、机器学习、深度学习、综述及多领域应用的里程碑式文献，均为该领域高被引、开创性或极具代表性的研究成果，是入门与深入研究的核心资料。

原创 现有数据治理标准全体系

数据治理标准形成了**“国际标准定基础、框架方法论定实践、国家标准定合规、行业标准定场景”的四层体系。对于石油行业数据分析与软件开发场景，建议以DCMM为能力基线，结合石油行业专项规范**，融入ISO 8000数据质量标准与GB/T 43697分类分级要求，构建符合业务需求的全流程数据治理体系。

原创 SimAD：一种基于差异度的简单时间序列异常检测方法

本文提出SimAD，一种基于差异度的时间序列异常检测方法。针对现有方法在时间上下文、特征表示和评估指标方面的不足，SimAD引入基于补丁的特征提取器处理扩展时间窗口，通过EmbedPatch编码器融合正常行为模式，并设计ContrastFusion模块增强异常检测鲁棒性。同时提出两种改进评估指标（UAff和NAff）解决现有指标缺陷。在7个数据集上的实验表明，SimAD在多项指标上显著优于现有方法，F1分数最高提升77.79%。该方法为时间序列异常检测提供了更有效的解决方案。

原创 TS2Vec：面向时间序列的通用表示学习

本文提出TS2Vec，一种通用的时间序列表示学习框架。与现有方法不同，TS2Vec通过层次化对比学习在任意语义粒度下生成鲁棒的时间序列表示。该方法采用基于上下文一致性的正样本对选择策略，避免了不合理的归纳偏置，并通过时间戳掩码和随机裁剪增强模型鲁棒性。实验表明，TS2Vec在125个UCR和29个UEA数据集上的分类准确率分别提升2.4%和3.0%，在预测和异常检测任务中也优于现有方法。该框架为时间序列分析提供了灵活通用的表示学习方法。

原创 Awesome Public Datasets：数据人必备的全球公开数据集宝藏库

在数据驱动的时代，高质量公开数据集是科研、机器学习、数据分析、项目实战的核心燃料。但找数据难、找靠谱数据更难 —— 分散、杂乱、质量参差不齐，是大多数数据爱好者的痛点。而 Awesome Public Datasets（APD） 就是解决这个问题的终极神器。

原创 TIMESNET: 时间二维变化建模，通用时间序列分析方法

本文提出了一种创新的时间序列分析方法TimesNet，通过将一维时间序列转换至二维空间来建模复杂的时间变化特征。研究发现时间序列普遍存在多周期性，包含周期内变化和周期间变化两种特征。传统一维方法难以同时捕捉这两类特征，因此作者提出将一维序列转换为二维张量，其中列表示周期内变化，行表示周期间变化。基于此设计了TimesNet模型，其核心TimesBlock模块能够自适应挖掘多周期性，并通过参数高效的初始块从转换后的二维张量中提取变化特征。实验表明，TimesNet在短期/长期预测、数据补全、分类和异常检测五大

原创 异常Transformer：基于关联差异的时间序列异常检测

本文提出异常Transformer（AnomalyTransformer），一种基于关联差异的无监督时间序列异常检测方法。通过改进Transformer的自注意力机制为异常注意力机制，该模型同时建模序列关联和先验关联，利用异常点关联更集中于相邻区域的特性，定义关联差异作为区分判据。采用极小极大策略放大正常与异常样本间的关联差异，在服务监控、空间勘探和水处理等领域的6个基准数据集上取得SOTA性能。核心创新在于发现并利用注意力权重分布中的天然区分性，为时间序列异常检测提供了新思路。

原创 基于图注意力网络的多元时间序列异常检测

本文提出了一种基于图注意力网络（GAT）的多元时间序列异常检测框架MTAD-GAT。该模型通过并行设置特征导向和时间导向两个图注意力层，显式捕捉多元时间序列间的关联关系和时间依赖。同时，采用联合优化策略整合预测型模型（单时间戳预测）和重构型模型（整段序列特征学习）的优势。实验结果表明，该方法在三个真实数据集上性能优于现有最优模型，F1值提升最高达9%。此外，模型具有良好的可解释性，通过学习到的注意力分数可有效辅助异常诊断。该研究为多元时间序列分析提供了新的建模思路，在工业监控等场景具有实用价值。

原创 USAD：多元时间序列的无监督异常检测

本文提出一种基于对抗训练自编码器的多元时间序列无监督异常检测方法USAD。该方法通过编码器-解码器架构实现无监督学习，并引入对抗训练机制来增强异常检测能力。相比传统方法，USAD具有训练速度快、稳定性高、检测性能优异等特点。实验验证表明，该方法在五个公开数据集上表现突出，同时满足企业级应用在可扩展性、鲁棒性和能效方面的要求。USAD融合了自编码器和对抗网络的优点，有效克服了单一技术的局限性，为IT系统自动化监控提供了高效解决方案。

原创 基于随机循环神经网络的多元时间序列鲁棒异常检测

服务器、航天器、发动机等工业设备的监测通常依赖多元时间序列，其异常检测对设备的服务质量管理至关重要。然而，由于多元时间序列存在复杂的时间依赖性和随机性，其异常检测仍是一大难题。本文提出一种适用于各类设备的多元时间序列异常检测随机循环神经网络——OmniAnomaly。该模型的核心思想是通过随机变量连接平面归一化流等关键技术学习多元时间序列的鲁棒表示，以此捕捉其正常模式；通过该表示重构输入数据，并利用重构概率判断数据是否异常。

原创 长短期记忆网络在时间序列异常检测中的应用

摘要 本文提出了一种基于堆叠长短期记忆(LSTM)网络的时间序列异常检测方法。该方法利用LSTM网络的长时记忆能力学习时间序列的正常行为模式，通过多步预测误差的多元高斯分布建模来识别异常。实验在四个真实数据集(心电图、航天飞机阀门、电力需求和多传感器发动机)上验证了该方法有效性。结果显示，对于存在长期依赖的数据集，LSTM网络相比传统RNN在F0.1分数上有显著提升(最高达30%)，且能自动学习不同时间尺度的特征。该方法无需预设时间窗口，特别适合处理同时包含短期和长期模式的时间序列异常检测任务。

原创 时间序列异常检测（TSAD）10 篇必读论文

时间序列异常检测（TSAD）10篇必读论文 Aggarwal, C. C. (2005) 核心方法：统计时序异常检测、滑动窗口、距离/密度/ARIMA残差分析 摘要：系统性提出时序异常检测框架，定义三大异常类型（点/模式/序列异常），奠定基础理论与任务范式。 必读理由：领域开山综述，概念源头，面试必问基础理论。 Malhotra, P. et al. (2015) 核心方法：LSTM时序建模、序列重构、重构误差阈值判定 摘要：首次将LSTM用于时序异常检测，提出无监督重构范式，解决长时序建模梯度消失问题。