ARTICLE · 1191077
【AI工具】地理侦探:geo-sleuth
geo-sleuth 是一个 AI Agent 技能（Agent Skill），用于通过一张照片反推其拍摄地点。
核心定位：它是一个"照片地理定位"工具——给定一张照片，自动找出照片是在哪里拍摄的，并展示推理过程。
技术定位：它不依赖照片中的文字、车牌或地标等显式线索，而是利用 OpenStreetMap 几何数据、海拔天际线匹配、卫星影像检索和街景对比等地理空间技术手段进行定位。即使照片中"没有任何可读取的内容"（No text. No plates. No landmarks.），它也能工作。
架构定位：它采用"脚本搜索排序 + 模型决策"的分工模式——20 多个专用脚本负责搜索、评分和排序，AI 模型只需在排名靠前的候选结果中做最终判断。
集成定位：它是一个标准的 Agent Skill（基于
SKILL.md+ Python 脚本），可无缝接入 Claude Code、Codex、Cursor、Gemini CLI、OpenCode 和 GitHub Copilot 等 AI 编程助手。开源定位：MIT 开源协议，Python 100% 编写，GitHub 上已获得约 2.9k Stars。
简单来说：geo-sleuth = 给 AI 助手装上一个"地理侦探"技能，让它通过照片内容推断拍摄位置。
geo-sleuth 的特点是：
1. 一张照片，一句话（One photo, one sentence）
给 AI 助手一张照片，说一句"找出这张照片是在哪里拍的"，就能得到拍摄位置、相机朝向和一张卫星证据图。交互极简，无需复杂指令。
2. 几何驱动，而非猜测（Geometry instead of guesswork）
桥墩间距可当作距离尺，阴影可转化为方位角，山脊线可成为可与海拔数据匹配的独特"指纹"——用几何关系替代主观猜测。
3. 每份结论都有文件依据（Every claim points at a file）
任何结论都必须指明在会话中实际运行了哪个命令、产生了哪个文件。不能仅凭"popularity"或"知名度"下判断，必须有可追溯的证据文件。
4. 脚本排序，模型决策（Scripts rank, the model judges）
二十多个专用脚本负责搜索、评分和排序，AI 模型只需在排名靠前的少数候选结果中做最终判断——脚本干脏活，模型做选择。
5. 答案自带误差范围（Answers carry an error radius）
输出不仅包含坐标和相机朝向，还附带误差半径、证据图片和分级置信度评估，让结果的可信度一目了然。
极简交互、无特征可用、几何驱动、证据可追溯、脚本+模型分工、跨平台兼容、结果可量化——构成了 geo-sleuth 的核心竞争力。
长按识别下面的二维码可加入星球
里面已有万余篇资料可供下载
续费五折优惠
