课程背景：石油行业正处在"能源安全＋降本增效＋AI技术成熟"三重叠加的窗口期。我国"七年增储上产行动计划"圆满收官，油气供给与储运网络跃上新台阶，但成本、安全、用工三大问题依然突出——从勘探开发到炼化销售，每一个环节都在被AI重塑。行业先行者的量化战果已经密集出现：中国石油昆仑大模型一年内完成由330亿到3000亿参数的跃升、152个应用场景规模化落地，抽油机井工况智能诊断在大庆、新疆、辽河等油田8000余口井应用，人均管井数从3.5口提升至11.5口；声波全波形反演处理周期从20天压缩至3天、成本降低30%以上；长庆油田AI"数字大脑"使勘探周期缩短约30%、单井产量提升超10%；中海油渤海油田预测性维护使关键设备故障率降低约20%。但石油行业AI落地有一条不可逾越的底线：油气勘探与油藏数据属于国家战略资源，涉密数据严禁出域；三大石油公司均自建行业大模型（昆仑/长城/海能）并私有化部署；井控安全与危化品管理是红线，AI只能做辅助研判、不得绕开安全联锁与作业审批——这正是本课程坚持"Dify本地部署＋数据不出域＋人做终审"的根本原因。本课程以"数据打底、知识铸魂、智能体干活、治理兜底"为主线，面向石油行业勘探开发、钻完井、采油采气、集输储运、炼化销售、职能与安全六大岗位，在合规框架内打造"岗位智能副驾"，让AI从"会聊天"变成"会干活"，实现"模型起草、规则校验、人做终审"的落地闭环。

课程收益：1. 看清石油行业AI落地的真实水位与量化战果（昆仑大模型152场景、抽油机诊断8000余口井、长庆勘探周期-30%），建立对AI能力边界的清醒认知，避开数据、井控、合规三大坑；2. 掌握石油AI落地的前置条件——地震/测井/生产/设备数据治理与合规底座（昆仑梦溪、600TB高质量数据集），明白为什么"战略数据不出域"；3. 掌握提示词工程与岗位知识库（RAG）搭建方法，让AI真正读懂地质报告、钻井设计、操作规程、管道完整性标准与作业票模板；4. 会用Dify等本地部署平台搭建岗位智能体，油气与经营数据不出域，满足能源安全与信创要求；5. 收获六大岗位（勘探开发/钻完井/采油采气/集输储运/炼化销售/职能安全）智能副驾落地原型与真实案例拆解；6. 形成本岗位"30-60天AI副驾落地"行动清单，含井控、权限、审计等治理要点，课后即可启动最小闭环。

第 一讲 认知破局——石油行业为什么必须做岗位AI副驾（1小时）

一、石油行业的AI落地水位与量化战果

1. 产业智能大脑：昆仑大模型330亿→3000亿参数、152个应用场景规模化落地，入选世界人工智能大会SAIL奖TOP30

2. 上游量化战果：长庆AI"数字大脑"勘探周期-30%、单井产量+10%；声波全波形反演20天→3天、成本-30%

3. 生产与终端战果：抽油机诊断8000余口井（人均管井3.5→11.5口）、常减压预测精度>95%（单装置年效益700余万）、社群营销覆盖2万座加油站

4. 国际参照：全球油气AI市场2024年31.4亿美元→2029年预计57亿美元（CAGR 12.61%），92%油气企业将AI列为未来两年投资优先项

二、石油企业为什么必须做岗位智能副驾

1. 增储上产后的成本与用工压力：人均管井数翻倍、老师傅退休、艰苦岗位招工难

2. 数据积累已到临界点：昆仑梦溪11.5PB数据、中石化600TB高质量数据集——"有数据无质量"正在被治理

3. 安全与效率的双重诉求：井控、危化品、管道安全是红线，AI把"出事再救"变"出事前拦"

三、六大岗位的共性痛点与"副驾"画像

1. 勘探开发岗：地震解释、井位论证报告重复劳动

2. 钻完井岗：钻井参数凭经验、完井报告繁琐

3. 采油采气岗：示功图诊断靠老师傅、生产报表繁重

4. 集输储运岗：管道巡护量大、异常初析慢

5. 炼化销售岗：工艺优化与油品销售事务性工作多

6. 职能与安全岗：作业票、采购、财务、人事事务繁重

四、什么是"岗位智能副驾"：边界与定位

1. 副驾不是无人驾驶：AI负责"起草、初析、初筛"，人负责"校验、判断、终审"

2. 落地准则："模型起草、规则校验、人做终审"

3. 能力边界：供应商考察AI做不了、井控与安全联锁AI碰不得、地震与油藏数据AI带不走

▸ 课程导入：每人写下本岗位"最耗时且重复"的一件事，贴到痛点墙上（15分钟）

▸ 案例分析：拆解昆仑大模型152场景与长庆AI数字大脑案例：AI替代了什么、保留了什么人（10分钟）

▸ 小组研讨：对照六大岗位痛点画像，给本部门选出2个最值得做副驾的岗位（15分钟）

第二讲 地基先行——石油数据治理与合规底座（1小时）

一、石油数据资产盘点：从地震波到加油枪

1. 勘探开发数据：地震采集/处理/解释成果、测井曲线、油藏模型（ECLIPSE/Petrel/GeoEast）

2. 生产运行数据：SCADA实时数据、示功图、管道压力流量、储库液位、炼化DCS/MES数据

3. 经营与台账数据：ERP、设备台账、检维修记录、作业票、隐患台账、加油站销售数据

二、数据治理基线：可算、可信、可溯

1. 案例标杆：昆仑梦溪大数据平台11.5PB全域治理消除孤岛、中石油"四阶八步"工作法

2. 可信：中石化600TB高质量数据集、60%以上标注由AI完成；中海油DCMM五级认证+"采采分离"停掉近700个旧系统

3. 可溯：审计追踪与版本管理，AI生成内容标注来源与置信度

三、安全合规底座：井控红线与战略数据

1. 井控与危化品是红线：AI只做辅助研判，不绕开安全联锁、不替代作业审批

2. 战略数据不出域：地震、油藏、储量数据属国家战略资源，严禁进公网大模型

3. 终端安全：防爆终端与"企业数字双空间"（鸿蒙电脑物理隔离工作空间与个人空间）

四、平台选型原则：自有大模型＋Dify本地部署

1. 三大公司自建大模型（昆仑/长城/海能）私有化部署，生产数据不出域、合规优先

2. 智能体与工作流平台统一采用Dify本地部署；在线SaaS仅用于个人学习验证、严禁直连生产业务

3. 大小模型协同：大模型负责规划、小模型与机理模型负责执行（长城2.0路线）

▸ 实战演练：盘点本岗位的数据资产：画出"采集→处理→库→报表"的数据链路并标出断点（10分钟）

▸ 小组研讨：对照"可算、可信、可溯"三条基线，为自家数据打分并找出最薄弱一项（15分钟）

▸ 互动答疑：数据出域与井控红线问答：哪些能做、哪些绝 对不能碰（15分钟）

第三讲 核心技能——提示词工程与岗位知识库（1小时）

一、提示词工程基础：让AI说人话、干人事

1. T-SPEC提示词框架：任务、情境、步骤、示例、风格、约束

2. 石油典型提示词示例：地震解释摘要、井位论证初稿、示功图异常初析、管道巡护记录规范化

3. 常见翻车与修正：幻觉、单位错误、标准引用错误——用规则校验兜底

二、岗位知识库（RAG）搭建：从报告到规程

1. 语料来源：地质报告、钻井设计、完井报告、操作规程、管道完整性标准、事故案例、作业票模板、设备台账

2. 搭建步骤：先定分类维度、再定库与索引方法、最后批量导入并测试问答

3. 知识库是抑制幻觉的"紧箍咒"：文档越多、溯源越全，AI越靠谱

三、讲师实战案例：邮件知识库与经验萃取

1. 邮件知识库：Foxmail/Outlook/Notes（华 为中兴同款、32位版本匹配），先定分类维度再建库

2. WBS经验萃取：6637份员工文档→307候选→标准WBS并保留来源溯源，防止历史经验白流失

3. 同理可萃：井史库、检维修方案库、异常处置案例库、投标方案库

四、合规要点：可溯、可审、不出域

1. AI输出必须可溯源到源文档出处

2. 引用标注与置信度：关键结论标注依据，不确定即转人工

3. 涉密数据（地震、油藏、储量）严禁进公网大模型，必须本地部署

▸ 实战演练：现场编写"示功图异常初析"提示词，并让AI按格式输出、互相挑错（15分钟）

▸ 实战演练：给本岗位设计知识库分类维度与命名规范（10分钟）

▸ 小组研讨：从地质报告/操作规程/事故案例中选一个语料源，设计"先定维度再建库"的一页纸方案（15分钟）

第四讲 六大岗位智能副驾实战（2小时）

一、勘探开发岗（物探/地质/油藏）——地震解释与井位论证辅助

1. 痛点：地震解释人工量大、井位论证报告反复修改、油藏描述周期长

2. 副驾原型：地震解释成果摘要、井位论证初稿、油藏描述报告草拟、储量评估核对

3. 实证：全波形反演20天→3天、长庆AI数字大脑勘探周期-30%、AI4FWI提升找油效率

二、钻完井岗（钻井/录井/测井/压裂）——参数优化与风险预报警

1. 痛点：钻井参数凭经验、完井报告繁琐、井下复杂工况处置依赖专家

2. 副驾原型：钻井参数建议、完井报告初稿、风险预报警摘要、事故复杂处置方案推荐

3. 实证：昆仑数智智能钻完井及压裂（作业实时优化、风险智能预报警）、"长龙号"智能钻井让作业由经验驱动转向数据驱动

三、采油采气岗（采油/注水/采气）——示功图诊断与生产报表

1. 痛点：抽油机工况诊断靠老师傅看图、生产报表手工汇总、注水优化滞后

2. 副驾原型：示功图异常初析、生产日报/月报自动生成、工况预警与处置建议

3. 实证：昆仑大模型工况智能诊断8000余口井（人均管井3.5→11.5口、异常发现按天算→按分钟算）

四、集输储运岗（管道/储库/SCADA）——巡护记录与异常初析

1. 痛点：管道巡护记录重复、异常初析慢、完整性管理文档繁重

2. 副驾原型：巡护记录规范化、压力流量异常初析、完整性评价报告草拟、应急演练脚本

3. 实证：国家管网数智员工（一个成熟岗位生产力≈2.3个人力）、管道仿真（PIPESIM/OLGA）

五、炼化销售岗（炼化工艺/油品销售）——工艺优化与终端运营

1. 痛点：常减压等装置参数寻优靠经验、油品销售与客户分析事务繁重

2. 副驾原型：工艺参数优化建议、装置报表、加油站运营分析、社群营销文案

3. 实证：昆仑大模型常减压预测精度>95%（单装置年效益700余万）、社群营销覆盖2万座加油站、视觉大模型质检效率+40%

六、职能与安全岗——作业票/采购/财务/人事

1. 安全：作业票要素初检、隐患描述规范化、安全培训材料生成（井控与危化品审批必须人签字）

2. 采购：RFQ自动生成（12小时→3分钟），能力边界——供应商考察AI做不了

3. 职能：财务月结辅助（八大模块分级，红线"核心财务数据绝不进公网大模型"）、AI筛简历（113份5小时→2分钟）、流程效率AI评估（47次审批定位堵点）

▸ 实战演练：采油采气岗：给一张示功图快照，用提示词让AI输出"异常初析＋处置建议"一页纸（15分钟）

▸ 实战演练：职能安全岗：给一份特殊作业票，让AI做要素初检并挑出缺失项（15分钟）

▸ 案例分析：拆解昆仑大模型工况诊断与常减压优化场景：每个场景"AI做什么、人做什么"（10分钟）

▸ 小组研讨：勘探开发岗＋钻完井岗：设计"井位论证→钻井设计→完井报告"的副驾工作流（10分钟）

▸ 小组研讨：集输储运岗＋销售岗：把巡护记录/油站运营迁移到本单位，标出数据不出域边界（10分钟）

▸ 实战演练：本岗位副驾原型设计：输入/输出/校验规则/人工终审点一页纸（15分钟）

第五讲 落地路径——试点选择、验证与治理（1小时）

一、试点选择：ROI×安全合规风险×数据就绪度

1. 三矩阵打分：先选"高ROI、低合规风险、数据就绪"的场景（示功图初析、巡护记录、作业票初检优先）

2. 井控与安全联锁相关场景只做"分析辅助"，不进控制回路

3. 参考路线：0-90天速赢（知识库＋1个副驾）→3-6个月推广（3-5个岗位）→6-12个月纵深（与SCADA/MES/油藏数据联动）

二、30-60天速赢组合：1个知识库＋1个智能体＋1条业务流

1. 从本岗位最痛的重复事务切入（如生产报表、巡护记录、完井报告）

2. 讲师"流程效率AI评估法"作试点体检：先埋点再评估，47次审批定位堵点

3. 门禁指标：每岗人均周省X小时、报告周期缩短X%，不达标不进下一阶段

三、治理保障：终审、权限、审计

1. 人工终审机制：对外文件、上报数据、作业许可、储量与井位结论必须人签字

2. 权限与审计：AI应用台账、操作全链路审计、高危操作人工二次确认

3. 持续治理：幻觉率回归测试集、提示词版本管理、模型变更验证（对齐长城2.0大小模型协同路线）

四、工具包与后续行动

1. 工具包：《岗位AI副驾搭建Checklist》《石油知识库分类与命名模板》《提示词工程速查卡》《AI应用合规红线清单》

2. 行动闭环：30天内完成"一个岗位＋一个场景＋一个知识库＋一个智能体"

3. 进阶方向：石油岗位智能体开发工作坊（2天）、智能油气田/智能钻井专题、数据治理与信创专题

▸ 小组研讨：按"ROI×安全合规风险×数据就绪度"矩阵，为自家单位选出1个速赢场景（15分钟）

▸ 实战演练：为选定场景填写"30-60天落地一页纸"：目标、数据源、校验规则、门禁指标、责任人（15分钟）

▸ 互动答疑：安全合规红线问答：井控/危化品/数据出域/作业票的边界澄清（10分钟）

后续落地建议

1）课后30天内，以行动学习小组为单位，完成"一个岗位＋一个场景＋一个知识库＋一个智能体"的最小闭环，并提交落地复盘；2）配套发放四份工具包：《岗位AI副驾搭建Checklist》《石油知识库分类与命名模板》《提示词工程速查卡》《AI应用合规红线清单（含井控/危化品/数据出域）》；3）可进阶开展"石油岗位智能体开发工作坊（2天）""智能油气田/智能钻井专题""石油数据治理与合规专题"等。