哈里伯顿借助亚马逊Bedrock与生成式AI增强地震工作流创建

标题：哈里伯顿利用 Amazon Bedrock 和生成式 AI 增强地震工作流创建 | Amazon Web Services

来源 URL: https://aws.amazon.com/blogs/machine-learning/halliburton-enhances-seismic-workflow-creation-with-amazon-bedrock-and-generative-ai/

发布时间：2026-05-08T05:20:30-08:00

地震数据分析是能源勘探的重要组成部分，但配置复杂的工作流程传统上是一项耗时且容易出错的挑战。哈里伯顿的 Seismic Engine（一款用于地震数据处理的原生云应用）是一个强大的工具，此前需要手动配置约 100 种专用工具才能创建工作流。这一过程不仅耗时，还需要深厚的专业知识，可能会限制软件的可用性和效率。

为了解决这一挑战，哈里伯顿与 AWS 生成式 AI 创新中心合作，为 Seismic Engine 开发了一款 AI 助手。该解决方案利用 Amazon Bedrock、Amazon Bedrock Knowledge Bases、Amazon Nova 和 Amazon DynamoDB，将复杂的工作流创建转化为对话。地质学家和数据科学家可以通过自然语言交互来配置处理工具，而无需手动配置。

在本文中，我们将探讨如何构建一个概念验证项目，将自然语言查询转换为可执行的地震工作流，同时为 Seismic Engine 工具和文档提供问答功能。我们将介绍解决方案的技术细节，分享评估结果（显示工作流加速高达 95%），并讨论关键经验，帮助其他组织利用生成式 AI 增强其复杂技术工作流。

_我们与 AWS 的合作对于加速地下解释工作流至关重要。通过将 Amazon Bedrock 服务与哈里伯顿 Landmark 的 DS365 Seismic Engine 集成，我们将传统上耗时的工作流构建任务减少了一个数量级。这款由生成式 AI 驱动的工作流助手不仅提高了效率和准确性，还使我们的先进地球物理工具更易于更广泛的用户群体使用。AWS 上可扩展的云原生架构使我们能够提供无缝的对话体验，从根本上改善了地下工作流的生产力。_

— Phillip Norlund，哈里伯顿 Landmark 地下技术经理 — Slim Bouchrara，哈里伯顿 Landmark 地下研发高级产品负责人

解决方案概述

我们的项目旨在实现两个关键目标：将自然语言查询转换为可执行的地震工作流，并为 Seismic Engine 文档提供智能问答（Q&A）系统。为了实现这一目标，我们开发了一个基于 Amazon Bedrock 的解决方案，使地质学家能够通过自然对话与复杂的地震工具进行交互。我们系统的核心是一个部署在 AWS App Runner 上的 FastAPI 应用程序，它通过流式接口处理用户查询。当用户提交查询时，由 Amazon Nova Lite 驱动的意图路由器会分析请求，以确定是寻求工作流生成还是技术信息。对于 Q&A 请求，系统使用带有 Amazon OpenSearch Serverless 的 Amazon Bedrock Knowledge Bases，从索引文档中提供相关答案。对于工作流请求，使用 Amazon Bedrock 上 Anthropic 的 Claude 的生成代理会从 82 个可用的 Seismic Engine 工具中选择并创建 YAML 工作流。

为了保持上下文并支持多轮对话，我们集成了 Amazon DynamoDB 用于聊天历史和交互日志记录。系统支持 Q&A 和工作流生成的流式响应，在系统处理请求时为用户提供即时反馈。这种架构允许通过自然对话创建和修改复杂的技术工作流，同时保持地震数据处理所需的精确控制。下图说明了解决方案架构。

查询路由和意图分类

在向系统提供用户查询后，意图路由器通过调用 Amazon Bedrock API 中的 Amazon Nova Lite 对给定查询的意图标签进行分类。大语言模型（LLM）被赋予一个提示词，以产生以下三个意图标签之一：“Workflow_Generation”、“QnA"和“General_Question”。“Workflow_Generation”标签用于路由与工作流生成相关的查询，包括读取/加载数据集、数据处理操作以及涉及操作特定数据集的各种请求。“QnA”意图标签用于与特定工具相关的问题、示例工作流请求或关于 Seismic Engine 文档的问题。“General_Question”标签保留给与 Seismic Engine 操作或工作流无关的查询。在我们的实现中，Amazon Nova Lite 高效地完成了路由任务，在准确性和延迟之间提供了良好的平衡。

问答实现

问答组件通过使用 Amazon Bedrock Knowledge Bases 来处理与 Seismic Engine 相关的查询，这是一种用于端到端检索增强生成（RAG）工作流的完全托管服务。我们选择 Bedrock Knowledge Bases 是因为它减轻了管理向量数据库、分块策略和嵌入流水线的运维开销。作为一种完全托管的服务，它自动处理基础设施扩展、安全性和维护，使我们的团队能够专注于解决方案开发，而不是 RAG 基础设施的运营。该服务原生支持多种分块策略，包括层次化分块，后者通过维护父子关系来平衡细粒度检索与更广泛的文档上下文。数据源包括存储在 S3 中的工具文档 markdown 文件和 Seismic Engine 手册。由于工具文档文件相对较短，我们保持其不分块，从而保留单个工具的完整上下文。对于较长的文档（如 Seismic Engine 手册），我们使用了具有默认设置的层次化分块。我们使用 Amazon Titan Text Embeddings V2 进行嵌入生成，并使用 OpenSearch Serverless 作为向量数据库。系统还为每个索引项存储元数据（如文件名、URL 和文档类型），以供下游使用。

对于检索和响应生成，我们使用 Amazon Bedrock Knowledge Bases 的 retrieve_and_generate API，并采用 Claude 3.5 Haiku 作为模型。系统通过维护会话上下文支持多轮对话，并且响应带有行内引用格式，以增强可追溯性。

_Note: 本解决方案是使用 Claude 3.5 Sonnet V2 和 Claude 3.5 Haiku 开发和评估的。此后，这些模型已被 Claude Sonnet 4.5 以及最近的 Claude Sonnet 4.6 以及 Claude Haiku 4.5 所取代，所有模型均可通过 Amazon Bedrock 获取。解决方案架构支持在不更改代码的情况下进行模型升级，以便您可以使用最新的模型功能。_

这种方法使我们的系统能够为有关 Seismic Engine 工具和流程的用户查询提供感知上下文且相关的内容回答。

工作流生成

对于被分类为“Workflow_Generation”的查询，我们的解决方案使用 LLM 代理将自然语言转换为可执行的 YAML 工作流。该代理绑定了 Seismic Engine 上可用的 82 个工具。基于用户的查询和定义输入、参数和输出的工具规范，代理选择合适的工具，确定其正确的执行顺序，并生成满足用户需求的工作流。下图说明了工作流生成过程。

我们在实现中使用了 Claude 3.5 Sonnet V2 和 Claude 3.5 Haiku，并通过 LangChain 框架进行代理管理和工具绑定编排。模型提供了详细的工具描述和规范，以便它们能够理解每个工具的功能和要求。在生成工作流时，系统不仅考虑用户查询中的明确需求，而且在未提供具体值时还包括必要的默认参数。工作流生成过程支持多轮对话，因此用户可以通过自然语言请求修改先前生成的工作流。通过使用存储在 Amazon DynamoDB 中的对话历史，LLM 可以根据用户的当前查询生成新工作流或修改现有工作流。

评估

为了评估我们解决方案的有效性，我们创建了一个全面的查询 - 工作流对测试数据集，包含低和中复杂度工作流。这些数据源自真实的历史工作流，并经领域专家验证，以确保它们准确代表典型的用户请求。

工作流生成结果

| Model | Complexity | Success Rate | Mean Generation Time (s) | Median Generation Time (s) | | :--- | :--- | :--- | :--- | :--- | | Claude Haiku 3.5 | simple | 84% | 8.3 | 5.9 | | | medium | 90% | 12.4 | 9.1 | | Claude Sonnet 3.5 V2 | simple | 86% | 11.2 | 11.5 | | | medium | 97% | 15.8 | 16.6 |

两种模型均表现出强劲的性能，其中 Claude Sonnet 3.5 V2 显示出更高的成功率，特别是在中等复杂度工作流方面。系统通过流式传输交付响应，随着工作流的生成为用户提供即时反馈，完整工作流在 5.9 至 16.6 秒内交付。Claude Haiku 3.5 提供更快的生成时间，提供了速度与准确性之间的权衡选项。

与基线性能的比较

| User Type | % Success | % Failure | Time to Build Simple Flow (min) | Time to Build Complex Flow (min) | | :--- | :--- | :--- | :--- | :--- | | New User | 70% | 20% | 4 | 20 | | Experienced User | 85% | 10% | 2 | 5 | | Our Solution | 84-97% | 3-16% | 0.13-0.26 | 0.21-0.28 |

我们的生成式 AI 解决方案展示了以下改进：

• 84-97% 的成功率超越了新用户和经验丰富的用户。
• 工作流创建时间从分钟减少到秒，代表了超过 95% 的时间减少。

这些结果表明，各经验水平的用户可以通过超过 95% 提升生产力，同时保持或超越手动工作流创建的准确性。

结论

在本文中，我们展示了如何利用 Amazon Bedrock 将复杂的技术流程转化为自然对话。通过实施具有集成问答功能的 AI 驱动助手，我们将工作流生成成功率提高到 84-97%，同时将创建时间与手动流程相比减少了超过 95%。该系统处理低和中复杂度工作流的能力，结合其对 Seismic Engine 工具的上下文理解，展示了生成式 AI 如何提高工业软件的可用性，而不会牺牲准确性。

该方法同样能很好地泛化至其他领域，特别是那些涉及复杂多步骤智能体工作流、且需要专业工具知识和配置的场景。作为后续步骤，建议利用 Strands Agents SDK 结合 Amazon Bedrock AgentCore 等框架，探索多智能体架构，借助专用子智能体以提升准确性。

• * *

作者介绍