地下行业正处于数字化发展的关键时刻。几十年来，挖掘油藏潜力一直依赖于执行必要且耗时的手动工作流程的专家。
随着数据复杂性的增加，机器速度与人类带宽之间的差距已成为主要瓶颈。
按需仿真工作流目前受到手动数据开销和固有操作延迟的阻碍。工程师需要手动聚合、合成和翻译不同的技术材料，这造成了严重的知识整合瓶颈，延长了项目周期。
仿真作业的异步性质进一步加剧了这一问题；当仿真在业余时间完成或失败时，或者当工程师需要处理相互竞争的优先级时，死区时间就会累积。因此，标准的 24 小时周转往往会导致延误数天，从而阻碍全球团队的进展。
在本文中，我们将介绍如何在 NVIDIA 全栈加速计算平台上应用代理式 AI，将受限于专家的手动工作流转变为地下工程及其他领域中始终在线、计算驱动的仿真工作流。
代理式转变
代理式 AI 通过卸载重复性的技术障碍来改变这一局面，使工程师能够超越足够好的结果，探索更广阔的解决方案空间，并创造更高的资产价值。
在这种范式中，工程师将转变为战略监督角色，在代理负责执行的同时，保持高层次的循环。本文将演示如何构建这样一个系统。
虽然我们的示例侧重于地下模拟，但该框架与工具无关，适用于任何依赖复杂模拟工作流程的行业。
如下图 1 所示，此主架构将中央编排智能体与专为模拟器交互和工作流管理而设计的专用智能体集成在一起。
油藏模拟助手：加速日常工作流程
油藏模拟助手充当数字领域专家，弥合了工程师、技术文档和模拟器之间的差距。它作为一种辅助的快速通道，与您现有的建模环境配合使用，以处理重复性任务和技术障碍。
要点
油藏模拟助手旨在增强而不是取代现有的贸易工具。通过卸载仿真循环的管理部分，工程师可以回收大量带宽：
- 即时交互：无论您偏好浏览嵌套菜单，还是习惯通过终端执行命令，智能体都能以即时结果取代繁琐的文件查找。从将模拟演示文稿拖入聊天即可启动运行，到提问“Well-X 的皮肤系数是多少？”，系统都能在几秒内完成原本需手动搜索和设置演示文稿的操作。
- 快速分析：智能体不仅能绘制时间序列曲线，还可实现快速诊断，即时回答诸如“为何在 Well-X 观察到早期水体突破？”等复杂问题，而这类问题通常需耗费数小时进行人工交叉比对。
- 流畅的“假设”迭代：通过敏捷的场景测试，规避语法难题。该智能体自动处理繁琐的关键字编辑与基准对比，其自我修复机制结合可选的人机交互闭环，主动识别并纠正问题与输入错误，确保模拟持续稳定运行。
最终，这个个人智能体将一个多步骤的手动管理流程转换为单一的自然对话。
虽然我们的演示具有独立界面，但将这些代理功能直接集成到行业标准、高保真建模平台的潜力代表了地下数字生态系统激动人心的演变。
多智能体小队：编排复杂的工程研究
尽管油藏模拟助手能够提升日常任务的效率，例如快速场景测试和手动查找，但这些通常只是更大、更复杂模拟研究（如 历史拟合和油田开发优化）的初步步骤。这些工作流程是地下决策过程的基础，但众所周知，它们实施起来十分困难，主要受限于两大瓶颈：操作延迟和专业知识的缺乏。
首先，这些工作流程是死角时间的主要驱动因素。由于单个工作流程周期可能需要数天时间，因此结果通常会在非工作时间内完成并处于闲置状态。这种异步间隙经常会将标准的 24 小时运行转化为多日延迟。
其次，更关键的是，这些研究需要“启发式暂停”。在每个周期结束后，专家必须手动合成高维数据，以决定如何为下一次运行调整参数。这种专业知识水平通常需要多年的经验或依赖外部顾问，而此类专业资源本质上是稀缺的。这种启发式暂停会造成认知瓶颈，在工作流程等待专家干预时，会显著增加项目时间轴的延迟。
为了解决这个问题，我们从单智能体模型转向多智能体小队。该系统模拟专业油藏工程团队，利用一组数字初级工程师自主执行和监控大规模优化作业。
通过充当全天候编排层，小队可确保在一个周期结束后立即合成数据，提出下一个参数，并立即启动后续运行，从而有效消除迭代之间的空闲死区时间。
代理式工作流的关键原则：
- 人机协同（HITL）：尽管自动化程度很高，工程师仍能保持全面的监督和控制。在启动包含数百个模拟任务的工作流之前，他们会先审核并批准智能体提出的计划。
- 值得信赖的生态系统：智能体通过调用工具，利用行业标准的模拟和编排软件，不是通过替代物理特性，而是通过消除手动重复性任务所带来的瓶颈，从而加快交付速度。
- 不可知论者和面向未来者：尽管本实施方案使用 OPM Flow 和内部 Python 代码分别进行仿真和优化，但该框架采用模块化设计。代理层与物理引擎解耦，可轻松与行业标准的商业模拟器或专有代码库无缝集成。
案例研究：井位优化
为直观展示这一点，我们将多智能体小队应用于Brugge基准模型中的井位优化，旨在通过优化30口井的位置，最大化净现值（NPV）。
- 协作规划： 提议者智能体提出优化策略（例如，采用特定超参数集的遗传算法或粒子群优化），评论家智能体则通过多轮讨论对其进行改进。
- 动态编排：智能体根据性能指标和领域知识实时调整调整参数。
- 操作稳定性：作业经理会监控运行状况，以消除意外故障造成的死角。
- 自动数据合成： 结果分析师将高维原始数据转换为可操作的见解。
在这个具体示例中，智能体的讨论基于技术手册和过往实验，并在策略上持续演进。在早期迭代中，它们优先进行广泛探索，采用大规模种群和高突变率，在有限预算内对解空间进行充分采样。随着流程推进，思考逐渐转向深度优化。 例如，从采样密集型的遗传算法变体转向受粒子群优化（PSO）启发的配置，以检验性能瓶颈是源于初始采样不足还是生成深度不够。
基础模组：NVIDIA 推理微服务
驱动这些智能体的智能由 NVIDIA 推理微服务 (NIM), 提供实时工程推理所需的低延迟、生产就绪型推理。
- 高级推理：智能体采用 Llama-3.3-Nemotron-Super-49B-v1.5，这是一种专为复杂推理、规划及多轮智能体工作流设计的先进模型。
- 上下文智能： 由 Llama-3.2-NeMo-Retriever-300M-Embed-v2 驱动的检索增强生成（RAG），确保智能体的响应基于专有技术文档和仿真手册。
- 模块化架构： 系统集成兼容 LangChain 的接口 ChatNVIDIA，支持在 LangChain 和 LangGraph 框架中无缝编排。提供结构化函数调用，可编程访问模拟器 API、数据库查询和自定义工具，同时在多步骤工作流中保持可靠的状态管理。
- 灵活部署： 该架构支持通过 build.nvidia.com API 端点快速进行原型设计，随后仅需修改一行配置，即可热切换至自托管的大型语言模型部署，实现数据完全自主可控的安全本地运行。
这种代理式系统将工程师的注意力从任务执行转移到编排上。之前在手动检索和监控方面花费的时间会被用于探索替代场景和优化资产策略，而这些场景和策略原本不会受到时间限制的影响。
虽然这些结果在油藏模拟领域得到了证明，但所提议的代理式系统本质上是模拟工具无关的。因此，该框架自然可扩展到邻近地区，从地质 CO2 封存和地热能源，到任何依赖复杂、迭代模拟工作流程的行业。
无所作为的机会成本现在可以衡量。虽然传统工作流程在队列中等待，但代理式系统已经在探索下一次迭代。
开始使用
我们正在为社区推出这些功能。您可前往 GitHub 体验我们的开源库版本，并试用端到端的多智能体工作流，还可根据具体应用场景进一步自定义这些工作流。
