从“失忆工具“到“智能助手“：GeoAI平台的Agent架构演进

引言：传统GIS工具的"失忆症"困境

你是否遇到过这样的场景？

在GIS软件中，你先让系统"计算某区域的缓冲区"，接着问"这个缓冲区内有多少个学校"。传统工具会一脸茫然------因为它根本不记得上一步做了什么。每一次操作都是孤立的，没有上下文，没有记忆，没有连贯性。

这就像和一个患有短期失忆症的人对话：你刚说完的话，他转头就忘。

GeoAI Universal Platform 要解决的，正是这个问题。我们不是在做另一个GIS工具集，而是在构建一个有记忆、能推理、会学习的地理智能体。

项目地址：https://gitee.com/rzcgis/geo-ai-universal-platform

---

一、为什么需要Agent架构？

1.1 传统GIS的三大痛点

痛点1：无状态操作

// 传统方式：每次调用都是独立的
const buffer = turf.buffer(polygon, 5, {units: 'kilometers'});
const schools = findSchoolsWithin(buffer); // 需要手动传递上一步结果

痛点2：缺乏语义理解

用户说"帮我看看这个小区周边5公里的医疗资源"，传统系统无法理解"周边"、"医疗资源"这些自然语言概念，必须拆解成精确的技术参数。

痛点3：工具孤岛

缓冲区分析、空间查询、路径规划......每个功能都是独立的模块，无法协同工作。用户需要自己编排流程。

1.2 Agent架构的核心价值

Agent（智能体）不是简单的"自动化工具"，而是具备以下能力的智能系统：

• 记忆能力：记住历史操作和上下文
• 推理能力：理解用户意图，自主分解任务
• 工具协作：动态组合多个GIS工具完成复杂任务
• 学习能力：从交互中优化策略

这正是 GeoAI Universal Platform 的设计哲学。

---

二、GeoAI的Agent记忆系统设计

2.1 双层记忆架构

我们的核心创新在于双层记忆系统：

┌─────────────────────────────────────┐
│   Agent Memory (agent-memory.db)    │  ← 会话级记忆
│   - 对话历史                         │
│   - 中间结果缓存                     │
│   - 用户偏好                         │
└─────────────────────────────────────┘
              ↓
┌─────────────────────────────────────┐
│   Tool Registry (registry.db)       │  ← 工具级记忆
│   - 可用工具元数据                   │
│   - 工具能力描述                     │
│   - 插件动态注册                     │
└─────────────────────────────────────┘

2.2 registry.db：让工具"自我介绍"

传统GIS库的问题是：工具不会"说话"。你不知道 turf.buffer 能做什么、需要什么参数、返回什么结果。

在 GeoAI 中，每个工具都有完整的元数据描述：

// src/core/ToolRegistry.ts
interface ToolMetadata {
  name: string;
  description: string;      // 自然语言描述，LLM可理解
  parameters: Parameter[];  // 参数 schema
  returns: ReturnType;      // 返回值类型
  category: 'analysis' | 'query' | 'visualization';
}

当用户问"我想做个缓冲区分析"时，LLM 可以查询 registry.db，找到合适的工具，并自动生成调用代码。

关键实现：

// 工具注册示例
registry.register({
  name: 'buffer',
  description: 'Create a buffer zone around a geometry',
  parameters: [
    { name: 'geometry', type: 'Feature', required: true },
    { name: 'distance', type: 'number', required: true },
    { name: 'units', type: 'string', default: 'kilometers' }
  ],
  execute: async (params) => {
    return turf.buffer(params.geometry, params.distance, {
      units: params.units
    });
  }
});

这样，LLM 不再是"盲调"函数，而是基于完整元数据进行智能选择。

2.3 agent-memory.db：会话的"长期记忆"

如果说 registry.db 是工具的"身份证"，那么 agent-memory.db 就是对话的"日记本"。

存储内容：

• 完整的对话历史（用户输入 + AI回复）
• 每步操作的中间结果（如缓冲区几何对象）
• 用户的偏好设置（如默认单位、坐标系）
• 任务执行的状态追踪

技术实现亮点：

// 自定义 Buffer 示例：plugins/custom-buffer-example
class CustomMemoryBuffer implements MemoryBuffer {
  async save(context: ConversationContext): Promise<void> {
    // 持久化到 SQLite
    await db.execute(
      'INSERT INTO memory_sessions (session_id, context_data) VALUES (?, ?)',
      [context.sessionId, JSON.stringify(context)]
    );
  }
  
  async load(sessionId: string): Promise<ConversationContext> {
    // 恢复上下文，实现"断点续聊"
    const row = await db.get('SELECT * FROM memory_sessions WHERE session_id = ?', [sessionId]);
    return JSON.parse(row.context_data);
  }
}

实际效果：

用户：计算北京市朝阳区的5公里缓冲区
AI：✅ 已完成，缓冲区面积 78.5 km²

用户：这个区域内有多少个公园？
AI：🔍 正在查询... 找到 23 个公园

用户：把结果保存为GeoJSON
AI：💾 已保存到 /exports/parks_in_buffer.geojson

注意：第二句话中，AI 自动理解 "这个区域"指的是上一步的缓冲区，无需用户重复说明。这就是记忆的力量。

---

三、LangChain集成：让LLM成为"大脑"

3.1 为什么选择LangChain？

GeoAI 采用 LangChain 作为LLM编排框架，原因有三：

1. 成熟的Agent模式：ReAct、Plan-and-Execute等现成策略
2. 工具调用标准化：统一的 Tool Interface
3. 记忆管理抽象：支持多种 Memory Backend

3.2 核心架构

// src/llm/LlmProviderFactory.ts
class LlmProviderFactory {
  static createAgent(config: LLMConfig): GeoAgent {
    const llm = this.createLLM(config.provider, config.apiKey);
    const tools = this.loadToolsFromRegistry();
    const memory = new SQLiteMemoryBuffer('agent-memory.db');
    
    return new GeoAgent({
      llm,
      tools,
      memory,
      strategy: 'react'  // ReAct推理策略
    });
  }
}

ReAct策略的工作流程：

Thought: 用户想查询缓冲区内的学校，我需要先获取缓冲区几何
Action: load_memory(key="last_buffer")
Observation: { type: "Polygon", coordinates: [...] }

Thought: 现在我有了缓冲区，可以用空间查询工具找学校
Action: spatial_query(geometry=buffer, filter="type=school")
Observation: [{ name: "北京一中", location: [...] }, ...]

Thought: 找到了12所学校，可以回答用户了
Final Answer: 缓冲区内共有12所学校，包括北京一中、北京二中等...

这种思考-行动-观察的循环，让AI能够自主分解复杂任务，而不是依赖硬编码的流程。

3.3 多模型适配

通过 llm-configs 目录的配置化管理，平台支持无缝切换不同LLM提供商：

// data/llm-configs/openai.json
{
  "provider": "openai",
  "model": "gpt-4-turbo",
  "apiKey": "${OPENAI_API_KEY}",
  "temperature": 0.7
}

// data/llm-configs/qwen.json
{
  "provider": "qwen",
  "model": "qwen-max",
  "apiKey": "${QWEN_API_KEY}",
  "temperature": 0.7
}

只需修改配置，即可在不同模型间切换，无需改动业务代码。

---

四、插件化生态：开放的力量

4.1 插件系统设计

GeoAI 的核心竞争力之一是插件化架构。第三方开发者可以通过标准接口扩展平台能力。

插件结构：

my-custom-plugin/
├── manifest.json          # 插件元数据
├── tools/
│   └── custom-analysis.ts # 自定义工具
├── package.json
└── README.md

manifest.json 示例：

{
  "name": "custom-spatial-analysis",
  "version": "1.0.0",
  "description": "Custom spatial analysis tools",
  "tools": [
    {
      "name": "viewshed_analysis",
      "description": "Perform viewshed analysis from a point",
      "entry": "tools/custom-analysis.ts"
    }
  ]
}

4.2 动态加载机制

// src/server/services/PluginScanner.ts
class PluginScanner {
  async scanPlugins(directory: string): Promise<Plugin[]> {
    const plugins = await fs.readdir(directory);
    
    return Promise.all(plugins.map(async (pluginName) => {
      const manifest = await this.loadManifest(`${directory}/${pluginName}`);
      const validator = new PluginValidator(manifest);
      
      if (validator.isValid()) {
        await this.registry.register(manifest);
        return manifest;
      }
    }));
  }
}

插件在启动时自动扫描、验证、注册，无需重启服务。这为生态建设提供了无限可能。

---

五、真实场景演示

场景：城市规划辅助决策

用户需求：

"帮我分析一下海淀区中关村大街沿线500米范围内的教育资源分布，并生成可视化报告"

传统方式：

1. 手动绘制中关村大街线要素
2. 调用缓冲区工具生成500米缓冲带
3. 导出缓冲区范围
4. 在另一系统中查询教育资源POI
5. 手动统计各类学校数量
6. 用制图软件生成图表
7. 编写分析报告

耗时：2-3小时

GeoAI Agent方式：

用户：帮我分析一下海淀区中关村大街沿线500米范围内的教育资源分布，并生成可视化报告

AI：
📍 步骤1：获取中关村大街几何数据
✅ 已从OpenStreetMap提取

📍 步骤2：生成500米缓冲区
✅ 缓冲区面积 2.3 km²

📍 步骤3：查询范围内教育机构
✅ 找到：
   - 小学：8所
   - 中学：5所
   - 大学：3所（含北京大学、中国人民大学）
   - 培训机构：23家

📍 步骤4：生成可视化报告
✅ 已生成：
   - 分布热力图：/reports/heatmap.png
   - 统计图表：/reports/statistics.pdf
   - GeoJSON数据：/exports/education_pois.geojson

📊 分析结论：
该区域教育资源丰富，但分布不均。北部以高等教育为主，
南部基础教育密集。建议在中部增加幼儿园配套...

耗时：30秒

这就是Agent架构带来的效率革命。

---

六、技术栈总览

GeoAI Universal Platform 采用现代化技术栈：

• 核心语言：TypeScript（类型安全）
• 后端框架：Express.js
• GIS引擎：Turf.js（前端）、PostGIS（后端）
• LLM框架：LangChain
• 构建工具：Rollup
• 数据库：SQLite（轻量级持久化）
• 前端：Vue 3 + Vite

完整源码：https://gitee.com/rzcgis/geo-ai-universal-platform

---

结语：GIS智能化的未来

GeoAI Universal Platform 不仅仅是一个工具库，它是一个范式转移：

• 从命令式操作 → 声明式意图
• 从孤立工具 → 协作智能体
• 从专业门槛 → 自然语言交互
• 从封闭系统 → 开放生态

我们相信，未来的GIS不再是少数专家的专属工具，而是每个人都能使用的智能助手。就像智能手机让摄影大众化一样，Agent架构将让空间分析大众化。

邀请你加入这场变革：

🌟 Star项目：https://gitee.com/rzcgis/geo-ai-universal-platform

📖 阅读文档：查看 /docs 目录了解架构设计

🔧 贡献代码：欢迎提交PR，共同完善插件生态

💬 交流讨论：在Issues中提出你的想法