【时空智能体】技术栈

你直觉猜的三个底层技术——RAG、MCP、地理数据训练——都对，但只占底下一半。把 GeoGPT、超图 AgentX、莫干·玄衍、高德 ABot-Earth 这批应用拆开，底下其实是五层：数据层（地理数据怎么喂）、模型层（GeoFM 怎么训）、能力层（RAG/MCP/算子怎么接）、Agent 层（怎么编排干活）、应用层（你看到的产品）。

这篇回答你那个更底层的问题：这些 Geo+AI 应用，底下到底用了哪些技术。

一张五层技术栈图

先把分层摆出来，你再对照自己手里的应用，看它卡在哪一层：

一句话点评：越往上越值钱（产品形态），越往下越吃资源（预训练成本），而 2026 年的分水岭在能力层和 Agent 层——RAG 让模型会「想」空间、MCP 让模型会「调」空间工具。 下面逐层拆。

地理数据训练：GeoFM 预训练，已经范式转移

先答你最直接的猜测：地理数据训练——是，而且这一层已经完成一次范式转移。

2026 年 7 月一篇综述（arXiv 2607.12177）把这个范式叫「预训练职责分离」：大规模模型提供商承担计算密集的预训练，领域专家拿一小片标注数据微调就行，不用从头训。好处很直接——微调要的标注比从头训练少一个数量级，保密场景还能本地部署。

预训练本身走两条路：

• 掩码自编码（MAE）：把图像块盖住再重建，学通用表征。一脉是 SatMAE（斯坦福，给时间/光谱位置编码）、ScaleMAE（尺度感知位置编码）、Cross-Scale MAE；量级大的有 Prithvi-EO-2.0（IBM/NASA，30m 全球 HLS 影像）、Clay（多传感器、分辨率和波段都能吃）、TerraMind（生成式）。
• 视觉-语言对比：最大化图像和文本嵌入的相似度，建联合嵌入空间，换来零样本开放词汇——没显式训练过的类别也能认。这是 GeoVLM、OlmoEarth 那类多模态模型的底座。

DeepMind 的 AlphaEarth Foundations 则是第三种混合：重建、自蒸馏、文本对比三路损失一起上，吃光学/雷达/LiDAR/文本/气候数据，输出时间连续的「嵌入场」。

训练数据来源很集中：Sentinel-1/2、Landsat 8/9、NAIP 航拍、DEM、土地利用覆盖，加全球尺度的 HLS。另外发现（Meta 的 DINOv3）：在数十亿张自然图像上预训练的模型，只要规模够大，能泛化到 0.6m 卫星影像的俯视视角，性能超过不少领域专用模型。

但别急着选型。GEO-Bench-2（2026 年 2 月，19 个数据集、分类/分割/回归/检测全覆盖）的结论很冷静：没有任何模型在所有任务上占主导。做农业/灾害等多光谱应用的，EO 专用模型（TerraMind/Prithvi/Clay）更强；高分辨率任务的，自然图像预训练的反而赢。选哪个，得拿你自己的数据实测。

国产这条线的训练实例我也帮你对上了：GeoGPT（之江实验室）三阶段训——持续预训练（CPT，从 Common Crawl 抽地学语料，约 140B token 建基础地质知识）→ 多阶段监督微调 → 偏好学习对齐；莫干·玄衍用亿级多模态数据样本训出准千亿参数。结论：这一层别自己训，用开源的（Prithvi/Clay/OlmoEarth）或行业底座（莫干·玄衍），微调是你的活。

位置嵌入：坐标升级成「地点指纹」

地理数据训练里有一支容易被漏掉，但它正在变成一层独立技术：位置嵌入（location embeddings）。Esri 在 2026 年 7 月用户大会上正式把它并进 ArcGIS 的地理空间基础模型三件套里，当一种新的 GIS 数据类型对待。

逻辑很朴素：经纬度坐标只告诉你「在哪儿」，不告诉你「这是个什么地方」。Esri 的 Location Encoder 把地点编码成捕捉自然环境、建成区形态、社会经济背景的嵌入向量——每个地点一个「指纹」，环境相似的地点指纹相似，哪怕隔着半个地球。

两个版本：自然环境嵌入用 Sentinel-2 影像训练，统计嵌入基于美国普查/ACS/住房/环境数据训练（GDFM 更进一步，多视图自编码器把四类数据集揉成 5000+ 变量的地点刻画）。落地效果是直观的：以索诺兰沙漠为查询，能跨洲匹配出智利阿塔卡马沙漠这种「环境相似而非地理邻近」的区域；无监督聚类画出的簇和真实大型景观带高度吻合，不按行政边界走。

判断：位置嵌入是把地理信息变成向量、喂给机器学习的那座桥，2026 年刚到 Beta 但方向明确。 它和 065 里说的「embeddings 作为新 GIS 数据类型」是同一件事。

空间 RAG：不是聊天兜底，是拓扑空间推理

你的第二个猜测——RAG——是，但空间领域里它不是聊天兜底，是让 LLM 学会「空间推理」。

普通 RAG 检索的是文本相关，空间 RAG 检索的是空间关系，这是完全不同的难题。2026 年 2 月发表于 ACM TSAS 的 SpaRAGraph 是这条路的代表：先把空间数据经 SpaTex 转成 RDF 图，建图索引，推理时用图遍历加空间关系组合矩阵，只预计算最小子集的空间关系、其余靠组合推导。在 SRB 基准（三类真实世界合成数据集）上，不同 LLM 的 F1 平均提高 36 个百分点，响应时间几乎无感。

同门兄弟 Spatial-RAG（ACL 2026 Findings）走混合检索：稀疏空间过滤（空间索引）加密集语义匹配（嵌入），把问答建模成空间相关性和语义相关性的多目标优化，挑 Pareto 最优候选。Spatial-Agent 更进一步，把「哪条河在哪个城市东边」这类问题形式化成 GeoFlow Graphs（有向无环图，节点是空间概念、边是转换），生成可执行的地理空间工作流，比 ReAct/Reflexion 显著更强、还可解释。

产业里也已经接上了：超图 AgentX 用 RAG+GraphRAG 提升 GIS 工具调用的准确率；GeoGPT 自带 RAG 增强阅读器，能从论文和地图里检索再回答。

判断：空间 RAG 是「让 LLM 想清楚空间关系」的关键，2026 年从论文往平台里长。 纯文本 RAG 解决不了「相邻」「包含」「穿过」这些拓扑问题，这是空间 RAG 存在的理由。

MCP：把 GIS 能力开放给 AI 调用

你的第三个猜测——MCP——是，而且是这条栈里国产和海外走法最不一样的一层。

Esri 在 2026 年 6 月 29 日给 ArcGIS Location Platform 加了 MCP 支持（Beta）：外部 AI Agent 能通过标准协议调用地理编码、路径规划、高程解析、静态地图这些云端轻量服务，还能在单次对话里串联多个服务（「找到最近的仓库并给出路线」）。这是 Esri UC 2026「Agentic GIS」战略的一部分——但行业分析看得很清楚，Esri 走的是「助手优先」：AI 被接进 ArcGIS 体系，却没拿到重构核心系统的权限，工程文件、桌面核心工作流不对外开放。

国产这边激进得多。超图 SuperMap GIS 2026 的 AgentX Server 集成 500 余项工具，原生支持 MCP 和 Function Calling，还适配 DeepSeek-R1、通义千问、Qwen2.5；桌面 AgentX 走「智能体完成任务」替代「人找工具」，内置专业 Skills 技能库和 GIS 专家库；ClientX 更直接——一套 API 统一二三维能力，适配 AgentX、Trae、CodeX、Claude Code 这些 AI 环境。社区也出了 arcpy-mcp-server，把 ArcGIS Pro 1300+ 个工具（15 个模块）全量 MCP 化，Claude Code、Codex 直接就能使唤 ArcGIS。

判断：MCP 是「GIS 给 AI 递工具」的标准姿势，2026 年两端都开放了。 差异在开放度：Esri 只开云端轻量服务，超图把全套工具交出来。你接谁的，取决于你想要「助手」还是「自主智能体」。

Agent 编排：从「助手」到「自主规划」

能力层之上是 Agent 层——模型拿到工具之后，怎么编排干活。这是 2026 年学术和产业共同的终点范式，综述里叫 Agentic Geospatial Reasoning：LLM 当编排器，把 GeoFM 当工具，用自然语言响应高层查询、自动化复杂分析工作流。

产业里的形态已经分层。超图 AgentX 三类模式对应不同可靠度需求：工作流模式（确定性最高，标准化业务）、长规划模式（自主规划+受控执行平衡，复杂选址）、循环推理模式（边探索边响应）。SuperMap Copilot 直接对话调用 100+ 行业分析算子，平均 5 秒完成深度思考，任务成功率 80%+。莫干·玄衍的八大能力里明确带着「任务编排与工具调度」，配合「时空专业技能库」，是「地理空间大模型+技能库」的组合打法。GeoGPT 给的是 Agent Builder——科学工作者可以自定义数百个科学智能体。

判断：Agent 编排决定应用是「问答机」还是「能干活的」，三模式/技能库/Agent Builder 是三种落地封装。 你要可靠性选工作流模式，要探索选循环推理，要开放性用 Agent Builder。

视觉语言模型与生成式空间模型：VLM / 3DGS / 影像生成

上面五层里有三块你没问但实际在用的，补上。

视觉语言模型（模型层）：把自然语言和空间视觉对齐的那层。GeoVLM（Esri）用自然语言提示「Segment roads」就能提要素；GeoGPT 的 MapChat 拖入地质图、遥感资料，数秒完成解析、关联、推理；莫干·玄衍是多模态一体。这一层让「用嘴指挥空间操作」成为可能。

3DGS 生成（能力层）：空间世界的生成侧，我在 066 那篇拆过它的工具链。落到 Geo+AI 应用上：高德 ABot-Earth0.5 用 3DGS 直接训练 3D 城市世界模型，Voxelmaps 用 3DGS+Cosmos Reason 2 做圣何塞数字孪生的自然语言查询，莫干·玄衍 V1.5 用生成式 3DGS 融合建模——几张照片几分钟重建单体建筑，数据量降 90%、效率提 10 倍。这一层是「空间数据训练」和「空间生成」的接缝，也是 2026 年最陡峭的新曲线。

影像生成（能力层）：你说的「造影像数据」就是这一支——用生成模型合成遥感影像，专治标注稀缺。单个 OpenEarthMap 分割瓦片平均要人工标注 2.5 小时，合成数据成了补数据缺口的关键手段。2026 年的代表模型一水儿是扩散模型：DiffusionSat 是第一个大规模卫星影像生成基础模型；EarthSynth 用反事实组合训练加规则过滤，只挑「有用」的合成数据喂给分类/检测/分割，开放词汇理解显著提升；TerraDiT-Ω（ECCV 2026）让任意地理基元（多边形/折线/框/点）控制生成——你给一块特定形状的区域，它按这个形状造出影像；COP-GEN 跨模态合成，SAR 输入直接生成光学影像，还能补云洞、做模态补全；Text2Earth 是 13 亿参数的扩散基础模型。成熟度判断：2026 年的重心已经从「生成逼真影像」转向「精细空间可控生成 + 下游任务验证」——Text2AIRS 用这类合成数据把 Fair1M 飞机检测抬了 6.12 个百分点。它能当训练数据的补充，但还没到完全替代真实影像的程度。

同一个应用，五层各用什么

拿最常见的「自然语言问 GIS 一个问题并出图」做例子，把五层串起来看：

你问它「评估这几个地块的洪水风险」，走的是：数据层取影像和地形 → 模型层用 GeoFM 解译 + 位置嵌入补上下文 → 能力层空间 RAG 确定空间关系、MCP 调高程/路径算子 → Agent 层编排成工作流 → 应用层把结果和地图交给你。

落地建议：五层里哪些自建，哪些用现成

• 模型层：别训。用开源 GeoFM（Prithvi/Clay/OlmoEarth）或闭源行业底座（莫干·玄衍），你的活是微调和评测（拿自己数据跑 GEO-Bench 风格基准）。
• 数据层：别全攒。用平台现成数据（Esri Living Atlas、行业数据集），自己补的只有业务私有数据。
• 能力层：RAG 值得自建（空间 RAG 是差异化点），MCP 用平台现成的（Esri/超图都已开放），3DGS 生成按需（066 有完整工具链）。
• Agent 层：用现成框架（Agent Builder / AgentX / ClientX），别从零写编排。
• 应用层：这是你唯一必须自己写的层——产品形态和业务闭环在这里。

结论

Geo+AI 应用的底层，收束成一句话：「预训练底座 + 检索增强 + 工具协议 + Agent 编排」四件套，加位置嵌入和生成式空间模型（3DGS/影像生成）两块新能力。 地理数据训练负责「懂空间」，空间 RAG 负责「想空间」，MCP 负责「调空间工具」，Agent 编排负责「替你把活干完」，影像/3D 生成负责「补你缺的数据和场景」。这四件套加两块里，前几件已经成熟到可以抄作业，Agent 编排和生成式模型正在快速定型——2026 年做 Geo+AI 应用，就是在这一层上比谁接得早。

参考来源

• The Emerging Paradigm of Geospatial Foundation Models: From Pre-Training to Agentic Reasoning（arXiv 2607.12177）：https://arxiv-org.ezproxy.obspm.fr/html/2607.12177v1
• GEO-Bench-2：从性能到能力，重新思考地理空间人工智能的评估（2026-02）：https://blog.csdn.net/hao_wujing/article/details/155168664
• Esri《Every place has a fingerprint: How foundation models are learning locations》：https://www.esri.com/arcgis-blog/products/arcgis-pro/geoai/every-place-has-a-fingerprint-how-foundation-models-are-learning-locations
• Esri《Beyond latitude and longitude: Giving geographic context to coordinates》：https://www.esri.com/arcgis-blog/products/arcgis-pro/geoai/beyond-latitude-and-longitude-giving-geographic-context-to-coordinates
• Esri《New MCP Support (beta) and ArcGIS Static Maps Service in ArcGIS Location Platform》（2026-06-29）：https://www.esri.com/arcgis-blog/products/platform/developers/mcp-support-beta-and-arcgis-static-maps-service-in-arcgis-location-platform-release
• SpaRAGraph: Spatial Reasoning using Retrieval-Augmented Generation（ACM TSAS 2026）：https://dl.acm.org/doi/10.1145/3799424
• arcpy-mcp-server（开源，ArcGIS 工具箱 MCP 化）：https://github.com/zhaojj662/arcpy-mcp-server
• 超图《一体化、智能化：超图 SuperMap GIS 2026 焕新发布》：https://www.supermap.com/zh-cn/a/news/2_5067.html
• 国泰海通《2026 年超图软件空间智能体：三类 Agent 重塑 GIS 交互范式》：https://www.sgpjbg.com/labelsyh/chaoturuanjiankongjianzhinengti.html
• 之江实验室 GeoGPT《Recent Developments in GeoGPT》（IEEE 2026）：https://ieeexplore.ieee.org/document/11632985
• 莫干·玄衍地理空间大模型（莫干山地信实验室）：http://www.mgslab.ac.cn/dynamic/detail/id/23.html
• 时空地理信息中试基地揭牌，莫干·玄衍上线（2026-07-19）：https://scagis.org.cn/Notice/Detail/CYXW/KTN2026081100000094139302
• 高德 ABot-Earth0.5 发布报道（2026-06-08）：https://ai.cnmo.com/news/810790.html
• EarthSynth：多类别跨卫星标注 EO 生成基础模型（ML4Sustain）：https://huggingface.co/buckets/ML4Sustain/EarthSynth-bucket
• TerraDiT：Diffusion Transformer for Satellite Image Synthesis（ECCV 2026，TerraDiT-Ω 任意地理基元控制）：https://github.com/mvrl/TerraDiT
• COP-GEN：Latent Diffusion Transformer for Copernicus Earth Observation Data：https://huggingface.co/mespinosami/copgen-base