Google最近发布了一个
Geospatial Reasoning的代理大模型，根据介绍
Geospatial Reasoning大模型想着重解决的问题：
1、地理空间应用过程中需要花费大量的成本进行数据以及模型的整合，同时还需要多领域的专业知识；
2、如何能够将用户的数据和Google的数据和模型进行低成本的整合应用；
3、
Gemini表现出了强大的推理能力，这个能力有助于解决如上这些问题。
Google也发布了一个使用Geospatial Reasoning进行飓风灾后的损失评估应用案例：
该演示应用程序是使用Geospatial Reasoning框架构建的，该框架由几个不同的组件组成：
1、一个打包了 Python 的前端应用程序，该程序集成了地图和图形控件，并提供了一个和用户对话的对话窗口；
2、基于
LangChain + Vertex AI构建的一个推理后端应用，看下图的介绍，这个部分应该是使用
LangChain on Vertex AI这个工具来实现的，这个工具主要包括四个方面的功能：
一、选择要使用的大型语言模型 (LLM)；
二、定义用于访问外部 API 的工具；
三、在编排框架中构建用户与系统组件之间的接口；
四、将框架部署到托管式运行时。
3、
Gemini 大语言模型，
Gemini 将协调 Google 模型和数据集、用户专有来源和公共域数据源之间的推理和分析。对于复杂的自然语言查询，Gemini 将规划和实施一系列推理，分析多个地理空间和结构化数据源，并使用高级 AI 模型进行特定任务的推理和基础研究。通过洞察和数据可视化，地理空间推理将提供快速、可靠的答案。
4、LLM 可访问的工具，用于访问Earth Engine、BigQuery、Google Maps Platform和Google Cloud Storage ，执行常规地理空间操作，例如在自然语言和地理空间几何之间进行转换，以及使用部署在Vertex AI上的遥感基础模型推理端点；
其实看下来，
Geospatial Reasoning其实很类似之前我文章里面提到的Claude+各种MCP工具形成的「超级空间智能体」的应用，他在现有的产品之上又构建了一层比较薄的地理空间智能体应用，当然这个
Geospatial Reasoning更多的是一个典型的地理空间智能体构建的框架，用户可以通过Google提供的工具进行自有数据以及自有工具、模型的整合，从而形成特定的空间智能体应用。
所以按照这种模式，未来会出现更多类似的空间智能体应用，越开放能力会越强，对用户的具体能力要求会更低。
最近我就结合了
从零开始「超级空间智能体」
知识星球中已经分享的64个主题内容进行了整理，形成了如下
从「传统GIS」到大模型驱动的「空间智能」
的PPT，希望能够帮助一些有兴趣从传统GIS转型到空间智能的同行，内容如下，
相应的PPT已经放上去了
，
视频的讲解
后面也会到知识星球中。
