# 作品简介 · 全球地球化学元素分布图谱 Skill **Global Geochemical Atlas · TEAM 0066 · AI4S Future ScienceSkills Hackathon 气候与地球科学赛道** ## 核心计划 一位地球化学研究者想回答一个并不复杂的问题：某个区域的铜含量，放在全球背景下算不算异常？可这个问题的答案散落在十几个数据平台里：欧洲的 FOREGS 地球化学图集、非洲的 AfSIS 土壤库、联合国的全球水质数据库、中国的青藏高原科学数据中心……格式互不相同，单位五花八门，坐标基准不一致，低于检出限的值有人记零、有人留空。等他把数据清洗完，几周过去了；下一个问题来了，一切重来。 我们想让 Agent 接过这些体力活。但科研数据最怕的，恰恰是大模型的"想象力"：单位换错一位、坐标偏出一度，结论就全错了，而且没人说得清错在哪。所以这个作品真正要回答的问题是——**怎么让 AI 替科学家干活，同时让每一个数字都经得起追问？** 我们的答案是把整套科研流程写成一份 Agent 能执行的"契约"，也就是这个 Skill。它规定了九个阶段：从冻结研究请求、审计数据来源，到标准化、质量控制、异常识别，再到出图与逐文件验证，一步不许跳。模型只负责读懂问题、编排流程；所有科学计算——单位统一到 mg/kg、坐标统一到 WGS84、删失值处理、地质单元匹配、robust-z 异常判定——全部交给确定性脚本完成。一次运行，同时产出赛题要求的全部五项交付：可交互元素分布地图、标准化地球化学数据库、来源与置信度说明、异常区域识别结果，以及这份可复用的 Skill 文档本身。 这不是设想，是已经跑通的现实：15 个公开来源全部通过准入审计，覆盖六大洲与全球淡水；44,510 条测定上图，凝成 11,548 个采样点和 535 个候选异常。演示网站上的每一张图，都是这次真实运行的产物，评委可以现场打开操作。 ## 创新点 这套设计里，我们最看重三件事。 **第一是诚实。** 数据缺了就是缺了：地图空白区域不做插值粉饰，低于检出限的值不当成零，"未检索到"不等于"不存在"。运行结束时，系统把 114,807 个数据问题明明白白登记在迭代清单里——哪些能自动修复、哪些要专家复核、哪些是真实的科学限制，一条都没有被悄悄删掉。 **第二是可追问。** 在地图上随便点一个点，都能看到这个值出自哪个数据集的哪一行、原始值和单位是什么、经过了什么换算、置信度多少，一直追到文件哈希。质量控制在这里不是一句口号，而是十八个可以逐个打开检查的产物文件。 **第三是可复现。** 用户的问题被冻结成一份 profile，同样的输入加同样的 profile，任何人重跑都得到同一个哈希。发现问题时，靠的是一个可审计的循环：验证、登记、定向修复、重跑比对，最多两轮，改不动就移交人工——修复永远生成新的运行，历史证据从不覆盖。这个 loop，是整个 Skill 的心脏。 正因为模型与脚本分工清晰，这个 Skill 换任何兼容的 Agent 都能跑出一致的结果：我们已在 OpenCode 中用 Qwen3.8-Max 完成挂载实测和有/无 Skill 的对照评测，Codex 与命令行、CI 也能直接调用。 ## 应用场景 往近处看：它可以为矿产勘查提供带统计判据的靶区初筛（富集与亏损候选各自给出"为什么被标记"的解释，并明确候选不等于矿化定论）；为环境研究提供多介质地球化学基线与污染风险的初步圈定；帮数据管理者把散落的公开数据整编成带证据链、对齐 ODM2 语义的标准数据库；也能让课堂上的学生转动一个三维地球仪，直观看到全球地球化学采样的疏与密。 往远处看，我们更希望它证明一种范式：把科研流程写成状态机，把专业知识沉淀成知识库，把计算锁进可测试的脚本，再用可审计的循环守住质量——换一套知识库和脚本，同样的骨架就能跑水质、土壤碳、生物地球化学。AI 做科研，可以既快，又靠谱。 比赛的最终提交物只有一个：这份完整、可复用的 Skill 文档。 --- - 在线演示： - Skill 仓库： - 演示仓库：