GeoMind：具有推理式工具调用的岩性分类智能体工作流

测井岩性分类是一项基础性的地球科学数据挖掘任务，旨在从多维地球物理序列中推断岩石类型。尽管近期已有进展，现有方法通常将该问题表述为静态的、单步的判别映射。这种静态范式限制了依据地质标准进行循证诊断推理的能力，常因缺乏领域先验而产生与地质现实脱节的预测。在这项工作中，我们提出GeoMind，一个工具增强的智能体框架，将岩性分类建模为序贯推理过程。GeoMind将其工具箱组织为感知、推理和分析三个模块，分别将原始测井曲线转换为语义趋势、从多源证据推断岩性假设，以及对照地层约束验证预测。一个全局规划器根据输入特征自适应地协调这些模块，从而做出地质上合理、有证据支撑的决策。为保证GeoMind的逻辑一致性，我们引入了细粒度的过程监督策略。与只关注最终结果的标准方法不同，我们的方法优化中间推理步骤，确保决策轨迹的有效性及其与地质约束的对齐。在四个基准测井数据集上的实验表明，GeoMind在分类性能上持续优于强基线，同时提供透明且可追溯的决策过程。