夜雨聆风
AI Agent风景园林设计:从经验制图到智慧景观
摘要
本文围绕AI Agent在风景园林设计中的应用，梳理其从数据感知、行为模拟、生成式设计到方案评估的完整链条，介绍行业转型背景、设计范式变化、核心技术工作流、典型应用场景以及未来挑战，重点说明AI Agent如何推动风景园林从专家经验主导转向人机协同、动态模拟和生态韧性导向的智慧景观体系。
导语
过去，风景园林设计常被理解为一种综合性的空间营造：设计师观察场地、判断问题、提出概念，再通过图纸和模型表达方案。这个过程高度依赖经验、审美与专业判断，也形成了行业长期稳定的工作方式。但在城市空间日益复杂、生态风险持续上升、公众需求不断分化的背景下，仅靠静态图纸和单一经验已经很难解释场地中真实发生的动态过程。人流如何穿越公园，雨水如何在地表汇集，植物群落如何随季节演替，公共空间如何在不同时间段被不同人群使用，这些问题都要求设计从“画出空间”转向“理解系统”。AI Agent的意义正在这里显现：它不只是新的绘图工具，而是能够把数据、规则、模型和反馈组织起来，让设计对象从静态场地变成可模拟、可推演、可持续优化的复杂系统。
一、为什么风景园林需要AI Agent
从静态场地到动态系统
风景园林面对的对象从来不是单纯的地块。一个公园、一条滨水绿道或一片城市开放空间，既包含地形、植被、水体、铺装、建筑界面等物质要素，也包含人流、活动、商业服务、交通连接、微气候变化和生态过程等动态因素。传统设计在处理小尺度、边界清晰、需求稳定的项目时具有优势，但当项目进入大型城市片区、生态基础设施、公共空间更新和存量治理场景时，问题就会呈现出多目标耦合的特征：既要满足交通可达性，又要维持生态连续性；既要提升景观体验，又要兼顾雨洪调蓄、碳汇、生物多样性和运营维护。
在这种条件下，风景园林设计不再只是寻找一个视觉上合理的构图，而是要理解不同要素之间的关系如何生成空间秩序。AI Agent的价值，正在于它能够把场地中的多源信息转化为可计算对象，把人、植物、水流、热环境、功能节点等要素抽象为不同类型的智能体，再通过规则设定和反复模拟观察整体结构的形成过程。这种方法使设计师能够在方案确定之前看到多种可能的演化路径，从而减少单次经验判断带来的偏差。
数字化转型的真正变化
风景园林行业的数字化并不是从AI才开始的。早期的CAD、GIS、BIM、参数化建模和三维可视化，已经改变了设计表达和信息管理方式。但这些工具更多解决的是“画得更快”“算得更准”“展示得更直观”的问题，本质上仍然服务于设计师既定意图。AI Agent带来的变化更深：它可以在给定目标、约束和评价指标后，参与感知、推理、生成、评估和迭代，把工具从被动执行者推进到主动协作者的位置。
因此，AI Agent驱动的风景园林设计并不是简单地把一张草图变成效果图，也不是把提示词交给模型生成几张概念图。更关键的是，它将设计流程拆解为一组可以被机器理解的任务：场地数据获取、环境变量解析、使用者行为模拟、空间结构生成、生态绩效评估、表达成果输出以及反馈回收。每一个环节都可以由不同能力的Agent协同完成，最终形成一个围绕设计问题不断循环的智能工作流。
智慧景观的目标
在这一转型中，智慧景观可以被理解为一种虚实融合的“活系统”。它不是把智能设备简单安装进景区，也不是给公园增加一套监控或导览系统，而是将场地实体、数字模型、行为数据、环境反馈和运营策略连接起来。设计阶段形成的数字模型不再在竣工后失效，而是继续进入施工、监测、运维和更新阶段，成为全生命周期管理的基础。
从这个角度看，AI Agent的引入改变了风景园林设计的时间尺度。传统设计往往强调竣工时刻的空间完成度，而智慧景观强调场地在长期使用中的适应性。设计师需要关心的不只是“现在如何布置”，还包括“未来如何生长”“极端天气下如何响应”“人群使用模式变化后如何调整”。这种从静态成果到动态机制的转变，是风景园林进入智能化阶段的核心标志。
二、设计范式正在从“自上而下”转向“自下而上”
经验主导模式的边界
传统风景园林设计通常具有明显的自上而下特征。设计师根据场地踏勘、任务书、规范要求和个人经验，先提出总体概念，再展开功能分区、交通组织、竖向设计、植物配置和细部表达。这种模式能够保证方案具有清晰的设计意图，也能体现设计师的审美判断和文化理解。但它的弱点同样明显：当场地中存在大量微观行为、环境扰动和不确定因素时，设计师很难凭直觉穷尽所有交互关系。
例如，一个城市公园的入口位置、路径密度、节点尺度和活动空间配置，不能只由图面构图决定。周边POI分布、轨道站点距离、住宅和办公人群的时间节律、商业界面的吸引力、遮阴与热舒适度、雨后积水路径等因素，都会影响真实使用效果。若这些因素没有进入模拟和评估，设计图纸看似完整，建成后却可能出现路径绕行、空间闲置、局部拥堵或生态设施失效。
Agent的涌现逻辑
多智能体模型提供了一种不同的设计思路。它不预先把宏观空间形态规定出来，而是先定义微观个体的行为规则，再观察大量个体与环境交互后形成的整体格局。行人可以被设定为寻找最短路径、避开障碍、靠近兴趣点或停留于舒适空间的智能体；植物可以被设定为受光照、水分、土壤和竞争关系影响的生长智能体；雨水可以被设定为沿地形坡度汇流、受下垫面渗透率影响的流动智能体。
这些规则单独看并不复杂，但当它们在同一个场地中持续作用，就会出现所谓的“涌现”：宏观空间结构并不是由设计师一次性画出，而是在无数局部交互中逐渐显现。设计师的角色也随之变化，不再只是画图者，而是规则制定者、变量筛选者和结果解释者。这个过程并不削弱专业判断，反而要求设计师更加清楚地说明自己的价值取向：哪些行为需要被引导，哪些生态过程需要被保护，哪些评价指标更重要，哪些结果虽然效率高但不符合公共价值。
从方案控制到规则控制
自下而上的设计并不意味着放任模型自动生成结果。相反，它要求建立更严格的规则控制。设计师需要把空间目标转译为可计算的参数，把不可接受的结果写入约束条件，把生态、社会和审美目标组织为多指标评价体系。只有这样，AI Agent生成的方案才不会停留在视觉层面的“像设计”，而能真正服务于问题解决。
这种变化对风景园林教育和实践都有影响。未来的设计师需要理解数据结构、模拟逻辑、模型假设和评价指标，也需要保留对场地经验、地域文化、生态伦理和空间品质的判断。AI Agent擅长处理复杂计算与多方案推演，但它无法替代设计师回答“为什么这样设计才是更好的公共空间”。因此，人机协同的核心不是让机器接管设计，而是让机器承担高强度推演，让设计师集中处理价值、意义和决策。
三、AI Agent如何进入风景园林设计工作流
第一步：数据感知与场地解析
AI Agent工作流的起点是数据。风景园林场地可以接入的数据类型非常多，包括遥感影像、地形高程、土地利用、道路网络、POI、社交媒体签到、气象数据、热环境数据、水文数据、现场照片、历史图纸和运营监测数据。过去，这些数据往往分散在不同系统中，需要人工下载、清洗和解释。Agent可以承担一部分数据抓取、格式转换、初步分类和异常检查工作，使前期分析从经验描述转向证据组织。
在场地解析阶段，GIS仍然是关键底座。通过空间叠加、缓冲区分析、可达性分析、坡度坡向分析和视域分析，设计团队可以识别场地中的约束与机会。AI Agent的加入，使这些分析不再只是生成若干专题图，而是可以进一步形成面向设计决策的问题清单：哪里可能形成高频人流入口，哪里存在热岛或通风短板，哪里适合作为雨洪调蓄节点，哪里应保留生态廊道，哪里需要通过植物或地形组织降低干扰。
第二步：模拟、生成与迭代
当数据被整理为可计算对象后，多智能体模型可以开始模拟。以城市公园空间结构生成为例，研究可以利用POI数据确定周边功能吸引源，在NetLogo等平台中设置核智能体、流智能体和块智能体，模拟人群从不同方向进入场地、寻找兴趣点、避开障碍并形成路径的过程。多轮模拟轨迹叠加后，设计师能够看到潜在的功能渗透路径、活动集聚区和空间冲突点。
生成式AI则更多进入方案表达和形式探索环节。GAN可以学习大量平面图、功能分区和景观布局样本，在给定场地边界与约束条件后生成多种方案雏形；扩散模型可以将草图、线框或语义图转化为更具光影、材质和氛围的效果表达；三维生成模型可以辅助把平面逻辑转译为立体场景。对于公众号读者而言，这些技术最直观的变化是“出图变快”，但对行业更深的影响是“方案数量、评价维度和迭代频率”都发生改变。设计团队可以在更短时间内比较更多可能性，而不是过早锁定单一方案。
第三步：评价反馈与闭环优化
一个成熟的AI Agent工作流不能止步于生成图像。风景园林设计的最终质量必须经受生态、社会、工程和运营多维度检验。生态维度可以评估雨洪调蓄、碳汇潜力、生境连续性、遮阴水平和热舒适度；社会维度可以评估可达性、公平性、安全性、活动多样性和人群使用强度；工程维度可以评估造价、施工可行性、维护难度和材料适配性。
在闭环优化中，Agent可以根据评价结果自动提示问题，重新调整参数，并输出多个备选方案。例如，当某一方案在人流效率上表现较好但生态连通性不足时，系统可以建议增加绿廊宽度、调整硬质铺装比例或改变节点位置；当某一方案雨洪绩效较好但活动空间不足时，系统可以尝试在不破坏汇水结构的前提下重新组织场地界面。这样，设计过程从线性推进变为循环迭代，评价不再是成果之后的补充，而是生成过程中的内在环节。
四、典型应用：从城市公园到生态基础设施
城市公园空间结构生成
在城市公园设计中，AI Agent最具代表性的应用是利用多源城市数据和多智能体模型生成空间结构。以城市新区公共空间为例，周边商务办公、生活居住、商业服务、教育科研、交通设施等POI会对场地产生不同方向和强度的功能渗透。传统设计可能先根据规划经验划分功能区，再配置路径和节点；Agent方法则可以反过来，从人群可能的移动路径和兴趣点吸引关系出发，让空间肌理在模拟中逐渐显现。
黏菌模型是其中常见的生物启发式方法。黏菌在自然界中能够寻找资源、连接节点并形成高效网络，研究者借用这一行为逻辑，将人流来源、兴趣点和环境障碍转化为模型中的不同元素。模拟结果往往能够显示哪些方向具有更强通达需求，哪些位置可能成为集聚点，哪些区域更适合布置开放活动或安静休憩。设计师随后可以把这些结果转化为路径系统、功能分区和空间节点，而不是完全依靠主观构图。
海绵城市与生态基础设施
在雨洪管理和生态基础设施优化中，AI Agent的优势更加明显。城市水文过程具有高度复杂性，降雨强度、地形坡度、土壤渗透、植被覆盖、下垫面材料和排水设施都会影响最终风险。传统试错式方案比较成本高、周期长，也难以覆盖极端情景。借助SWAT、XGBoost、NSGA-II等模型与算法，设计团队可以建立雨洪产流预测和多目标优化框架，在不同绿色基础设施格局之间进行快速筛选。
相关研究显示，经过模型优化后的浅山区绿色基础设施格局，在百年一遇极端降雨情景下能够显著降低洪涝风险。对风景园林行业而言，这说明AI Agent不仅适合生成空间形态，也适合处理生态过程中的复杂优化问题。尤其在气候变化背景下，景观设计必须承担更强的韧性功能，Agent可以帮助设计师把“好看”“好用”和“抗风险”放在同一个评价框架中讨论。
历史园林修复与数字化存档
AI Agent还可以进入历史园林保护与修复。古典园林图纸往往存在缺损、模糊、尺度不一致或信息不完整的问题，传统修复需要大量人工识别和测绘。通过数字测绘、图像增强、Canny边缘检测、梯度运算和自动轮廓提取，系统可以识别建筑边界、门窗位置、路径线索和构筑物关系，并辅助生成可回溯的二维数字化图纸。
这类应用的意义不只是提高绘图效率，更在于建立可复核的数字档案。历史园林包含复杂的空间秩序、文化符号和工艺细节，任何自动化修复都不能脱离专家审校。但AI可以承担重复识别和初步重构工作，把专家从大量低层次处理任务中解放出来，使其集中判断历史真实性、保护原则和修复边界。
五、未来不是替代设计师，而是重组设计能力
效率提升背后的组织变化
AI Agent进入设计工作流后，最容易被观察到的是效率提升。概念生成、方案深化、文本说明、图像表达和模型转换等环节都可以被显著加速。对设计机构而言，这意味着项目团队的人力结构、工作节奏和质量控制方式都会发生变化。过去需要多人分工完成的资料整理、草图推敲、效果表达和说明文本，未来可能由少量设计师与多个Agent协同完成。
但效率提升并不等于简单裁减人力。更准确地说，AI Agent会把设计能力重新分层：基础制图、资料检索、常规效果表达和多方案枚举会越来越自动化；场地判断、问题定义、价值排序、规则设定、方案取舍、公众沟通和伦理把关会变得更重要。设计师如果仍只把竞争力建立在重复出图上，确实会面临压力；但如果能够掌握模型思维和系统组织能力，AI反而会放大专业判断。
当前必须正视的限制
AI Agent在风景园林中的应用仍处于探索阶段，不能被过度神化。第一，模型可解释性不足。许多生成结果看似合理，但背后的权重、样本偏差和推理路径不透明，难以直接用于高风险决策。第二，多模态数据融合存在障碍。遥感、POI、文本、图像、传感器、历史档案和现场经验之间的数据粒度和语义体系不同，简单拼接并不能形成可靠知识。第三，设计评价标准本身具有价值属性，模型可以优化指标，却不能自动决定哪些指标应当优先。
此外，数据隐私和公共伦理也是必须面对的问题。基于位置数据、人群行为和社交媒体信息的空间分析，需要遵守数据最小化、匿名化和合规使用原则。公园和城市开放空间属于公共环境，算法不应只服务于效率最大化，也不能因训练数据偏差而忽视弱势群体的使用需求。真正负责任的AI景观设计，必须把透明、可解释、公平和可持续纳入工作流，而不是把它们作为事后声明。
人机协同的专业路径
未来的风景园林行业需要构建面向专业场景的AI Agent体系。通用大模型可以提供语言理解、任务拆解和知识组织能力，但风景园林还需要专用语料库、案例库、规则库和评价指标库，覆盖生态过程、植物配置、材料工艺、空间体验、法规规范和运营维护等内容。只有当Agent理解专业语义，才能减少泛化错误和表面化生成。
更重要的是，设计流程需要从“使用AI工具”升级为“组织AI协作”。一个项目可以设置场地分析Agent、生态评估Agent、生成设计Agent、文本整理Agent、可视化表达Agent和合规审查Agent，由设计师统一设定目标和边界，并在关键节点做出判断。这样的体系并不会消解设计师的主体性，而是要求设计师从单点技能转向系统编排能力。风景园林的未来，不是机器替代人完成所有设计，而是人与机器共同把复杂场地理解得更深、把方案推演得更充分、把公共价值落实得更稳。
真正的智慧景观，不是让AI替人画完一张图，而是让人和机器共同理解一座场地如何生长、运行并持续回应未来。
参考资料
凡尔赛Landscape LAB：风景园林“数智化”全流程工作流
北京景观人设计：风景园林理论【热点预测】10—人工智能在风景园林领域的应用！
中原智绘：文献分享：多智能体模型空间分析导向下的城市公园空间结构生成
风景园林杂志：LA研究｜多智能体模型空间分析导向下的城市公园空间结构生成｜孔慧子 刘天明 廖家婕 崔柳
风景园林LAVISION：新刊速览｜《风景园林》2024-09 人工智能在风景园林中的应用｜可持续景观技术
风景园林杂志：专题导读｜人工智能在风景园林中的应用｜《风景园林》2024-09