把 GIS 做成对话：一个本地空间信息智能体的工程化实践

过去很多 GIS 系统都像一间工具仓库：功能很全，但每一步都要用户知道按钮在哪里、参数怎么填、数据是什么坐标系、结果应该怎么导出。真正的问题不是 GIS 不强，而是它太像“专业软件”，不太像“工作伙伴”。

这次做的空间信息智能体，目标很直接：让用户只需要做两件事。

第一，在地图上框一个范围。

第二，用自然语言说出任务。

剩下的事情交给系统：理解任务、查找本地数据、生成分析代码、受控执行、保存结果、回到地图上展示。

它不是一个只能回答问题的聊天框，也不是一个套了皮的地图页面，而是一个面向地理空间数据处理的本地智能执行系统。

为什么要重做 GIS 交互

传统 GIS 工作流里，用户经常在这些细节里消耗精力：

• 数据在哪里？
• 当前范围有没有传给后端？
• 用哪个波段算 NDVI、NDWI、EVI、SAVI？
• 面积到底该用经纬度算，还是先投影？
• 结果是 GeoJSON、TIF、PNG 还是 CSV？
• 代码执行失败后，用户要不要自己看 traceback？

这些问题本质上不是用户真正想做的事。用户真正想说的是：

“计算这个区域面积。”

“给这个范围算一下水体指数。”

“把这个区域外扩 5000 米显示出来。”

“计算 EVI，并把结果叠到地图上。”

所以这个原型的核心不是多做几个按钮，而是把 GIS 的操作入口从“菜单驱动”变成“意图驱动”。

最终形态：地图是画布，对话是入口

前端被压到非常简单：

• 全屏地图作为主画布。
• 加载昌吉遥感 WMS 底图。
• 只保留矩形和多边形框选。
• 左下角一个悬浮对话框。
• 结果自动叠加到地图。
• 文件自动保存并提供下载。

没有复杂菜单，没有大段说明，没有一堆调试按钮。用户不需要理解系统内部有多少模块，只需要知道：先圈范围，再说任务。

这个交互看起来很轻，但背后其实有完整的数据流：

自然语言任务 -> 任务理解 -> 数据目录检索 -> 受控 Python 代码生成 -> 沙箱执行 -> GeoJSON / PNG / TIF / CSV 输出 -> OpenLayers 地图叠加 -> 聊天区摘要反馈

后端不是固定工具菜单，而是受控执行系统

早期版本最大的问题，是工具能力太死。系统只知道几个固定工具时，用户稍微换个说法，就会得到“当前不支持”的回复。这不是智能体，更像一个比较礼貌的菜单。

最终版本换了思路：固定 GIS 函数不再是唯一入口，而是作为稳定底座。智能层根据用户意图生成 Python 分析代码，后端负责校验、执行和兜底。

换句话说：

• 用户不用记工具名。
• 智能层可以组合geopandas、rasterio、shapely、pyproj、GDAL等本地 GIS 能力。
• 后端不盲信生成代码，而是用沙箱约束读写范围、禁危险调用、限制网络和系统命令。
• 常见 GIS 操作提供稳定 helper，避免每次都从零写复杂栅格处理代码。

这让系统既有动态能力，又不会变成一个不受控的脚本执行器。

沙箱：让智能体能动手，但不能乱动

空间分析一旦允许动态代码执行，安全边界必须先设计好。这个原型里，代码执行遵循几条硬规则：

• 只能写入当前任务的outputs/{run_id}目录。
• 只能读取项目数据目录和任务输出目录。
• 禁止系统命令、网络访问、任意进程调用。
• 禁止越权路径。
• 自动注入当前 AOI、数据目录、输出目录等上下文。
• 自动捕获 stdout、stderr 和 traceback。
• 执行失败后可把错误反馈给智能层进行修复。

同时，系统也没有把沙箱做成“什么都不让用”。例如open()并不是简单禁掉，而是替换成safe_open()：允许在任务输出目录内安全读写，越权时才拒绝。

这很关键。因为真正的工程系统不能只靠“禁用一切”来获得安全，那会让正常任务也没法完成。好的沙箱应该是：能做事，但只能在允许范围内做事。

结果协议：不要让用户看 traceback

一个可用的空间智能体，不能把错误原样甩给用户。最终版本对结果输出做了一层协议：

{"assistant_message":"分析完成。","summary":{},"metrics":{},"layers":[],"files":[]}

智能代码应该调用write_result()写出这个协议。即使代码忘了写，后端也会扫描输出目录，自动整理已生成的GeoJSON、PNG、TIF、CSV，尽量生成一个可展示的结果。

这解决了一个非常现实的问题：智能代码经常能把文件算出来，但忘了告诉前端“结果在哪里”。现在即使它忘了，系统也能兜底。

指数计算：从 NDVI 到 SAVI

遥感指数是这个原型里最适合展示智能体能力的一类任务。

目前系统已经能稳定处理：

• NDVI：植被指数
• NDWI：水体指数
• EVI：增强植被指数
• SAVI：土壤调节植被指数

用户不需要输入公式，只需要说：

计算 EVI

或者：

给这个区域计算水体指数

系统会根据本地多波段影像的波段约定选择参数。例如当前昌吉多波段影像默认：

Band 1 = Blue Band 2 = Green Band 3 = Red Band 4 = NIR

因此：

NDWI = (Green - NIR) / (Green + NIR) EVI = 2.5 * (NIR - Red) / (NIR + 6*Red - 7.5*Blue + 1) SAVI = (NIR - Red) * (1 + L) / (NIR + Red + L)

这些指数并不是只返回一个数字。系统会输出：

• 栅格结果 TIF
• 地图预览 PNG
• 统计 CSV
• 前端地图叠加图层
• 聊天区关键指标摘要

例如一次 SAVI 分析可以返回：

SAVI 均值：0.6371 SAVI 最小值：-0.0918 SAVI 最大值：0.8297 有效像元：293,670

这比“生成了一个文件，请自己去找”更接近真实工作流。

面积、缓冲区和矢量分析

矢量任务同样走自然语言。

用户说：

计算面积

系统会把 AOI 转到适合当地的米制投影坐标系，再计算面积，避免直接在经纬度下算出不靠谱的结果。

用户说：

这个区域的 5000 米缓冲区显示出来

系统会自动生成缓冲区 GeoJSON，并叠加到地图上。

这里的重点不是“写了一个 buffer 函数”，而是把用户意图、空间范围、坐标转换、结果导出和地图展示串成了闭环。

数据目录：让系统知道自己有什么

空间智能体不能凭空分析数据。它必须知道本地有哪些数据、每份数据是什么类型、坐标系是什么、范围在哪里、字段有哪些。

因此后端会扫描数据目录，形成数据 catalog：

• 昌吉 RGB 影像
• 昌吉多波段影像
• 乡镇边界矢量数据
• 已发布 WMS 底图
• 自动扫描到的其他栅格或矢量数据

智能层在生成代码前会看到这个 catalog。它不能假装有不存在的数据，也不能随便访问项目外路径。

这让系统具备了一个重要能力：不是只会“泛泛而谈”，而是围绕本机真实数据做分析。

工程上最重要的三个兜底

这个项目最有价值的地方，不是某一次成功演示，而是逐步补上的工程兜底。

第一，坏 JSON 自动修复。

智能层输出非法 JSON 时，系统不会马上失败，而是把原始输出和解析错误送回去修复为合法结构。

第二，代码失败自动修复。

Python 执行失败时，系统会把 traceback、stdout、stderr 和上一版代码反馈回去，让智能层重新生成修复代码。

第三，结果缺失自动整理。

代码执行成功但忘记写result.json时，后端会扫描输出目录，把已有文件整理成标准结果。

这三层兜底，让系统从“能演示”迈向“能反复用”。

这不是聊天机器人，是空间工作流操作系统的雏形

这个原型真正有意思的地方在于，它把 GIS 操作拆成了三个层次：

• 交互层：地图框选 + 自然语言。
• 智能层：理解任务并生成分析逻辑。
• 执行层：受控运行 GIS 代码并输出标准结果。

传统 GIS 把用户暴露在工具参数里。

这个系统则试图把用户拉回任务本身。

用户只需要表达目标：

计算这个区域的 SAVI 指数

系统负责把目标变成：

选择多波段影像 读取 AOI 裁剪栅格窗口 计算指数 生成 TIF 生成 PNG 预览 写 CSV 统计 回传地图图层 展示关键指标

这就是空间信息智能体最迷人的地方：它不是把专业能力隐藏掉，而是把专业能力变得可对话、可组合、可执行。

下一步

这个版本已经跑通了本地空间智能体的核心闭环，但还有很多值得继续推进的方向：

• 增加更多遥感指数和分类算法。
• 支持用户上传临时数据。
• 允许多轮任务基于上一次结果继续分析。
• 增加图层管理和结果历史。
• 支持更复杂的矢量叠加、裁剪、空间连接。
• 把结果发布为服务，而不仅仅是文件。
• 接入更完整的数据治理和任务审计。

但最关键的一步已经完成：GIS 不再只是菜单、参数和工具箱，而是开始变成一个能听懂任务、能自己动手、能把结果放回地图上的工作伙伴。

这就是这个原型真正的价值。