老登玩AI|同一个模型,裸考0分,接上工具62.7分

Google把同一批地理分析题给了四种配置跑：裸模型0分，给点基本工具3.3分，工具全接上52.2分，完整版62.7分。模型没换，差的是工具层。

同一个模型，同一批题。

一个给工具，一个不给。

0 分，和 62.7 分。

Google 10 月 11 号挂到 arXiv 的这份评测，测的就是这个。它没告诉我们"AI 又变强了"，它告诉我们一件更实用的事：劲儿该往哪使。

一、它测的不是"答对没答对"，是"流程走没走完"

主角叫 GRA，Geospatial Reasoning Agent，是 Google Earth AI 里负责编排的那一层。

它干的活儿是：把你一句话的问题拆成多步工作流，再去调 Earth Engine 的数据、地理基础模型、各种分析工具，最后把分析计划和数据来源一起摆给你看。

评测设计最关键的一点在这儿——它不看最后答得对不对，它看有没有按行家该有的流程走完。

Google 自建了一个叫 GeoExpertQueries 的题库：76 道测试题加 25 道开发题，每道题都配了三位独立专家商量出来的标准流程，再让一个人工校验过的自动评分器去比"Agent 有没有走完该走的步骤"。

这个设计挺狠的。

因为"结果对"可以蒙，但"步骤对"蒙不出来。一个不会做空间分析的人，就算凑出了一个看着像的结论，中间该做的投影统一、该做的拓扑检查、该做的量算口径确认，他一步也想不起来。

二、四组配置，同一个模型，差了 62 分

同一批题，Gemini 3.8 Flash，跑三次取均值：

裸模型那个 0 分，不是偶尔失手，是每个领域、两款模型全是 0。

基本工具版也好不到哪去——超过八成的题，三次测试全部拿零分。

给点基本工具，等于没给。 这句话值得所有准备"接个聊天框就上业务"的人看一眼。

三、一个反直觉的细节：规划对小模型加分，对大模型减分

还有个细节挺有意思。

前置规划对 Gemini 3.8 Flash 是加分项：52.2 涨到 62.7，多了 10.5 分。

但对更强的 Gemini 3.1 Pro，它反而扣了 3.2 分。

怎么理解？

"把活儿拆清楚"这件事，是给能力一般的模型兜底的。模型本身就强的时候，你硬塞一套流程反而碍事。

这条对我们做落地的意义很直接：别追求"一套通用工作流打天下"。模型档位不同，该给的结构化程度也不同。用弱模型要喂流程，用强模型要给空间。

四、一个真实案例：几分钟 vs 几周

刚果（金）埃博拉疫情期间，WHO 非洲区办公室用 GRA 标出了 48 个暴露定居点、45,500 多名风险人群。

官方说法是几分钟。同类的人工流程，要几周。

这个案例值得细看，因为它不是"AI 画了张图"，是"在多源数据里快速筛出该看哪儿"。

筛出来之后，该谁去、怎么处置、要不要隔离，还是人的事。

五、国内这边，规矩已经写到纸上了

你可能会说，Google 那套 Earth Engine 我也用不上。

别急，看国内。

2026 年 10 月 16 号，自然资源部在自然资源标准化信息服务平台挂出了《国土空间主题数据规范（征求意见稿）》，意见截止 11 月 16 号。

这份规范把国土空间数据分成五层——基础数据、对象要素、数据集、应用场景、业务域；业务域划成调查测绘、权属管理、规划管理等八大类；空间对象必须有一个不随流转变化的全局唯一标识符。

跟咱们这行最相关的两句，我摘出来：

共享服务提供标准接口服务、数据定制服务和知识智能服务三类，其中知识智能服务通过 MCP、SSE 等接口支撑智能问答与内容生成。

涉及大模型训练和推理的，须建立全流程操作记录与审计机制，并对训练数据筛查投毒、后门等恶意内容。

看懂没？

MCP 就是 GRA 那套"把工具挂给 Agent"的接口范式，SSE 是流式返回。规范等于在说：以后智能问答不是你随便接个聊天框就行，工具得标准化挂上去，过程得留痕可查。

这跟 Google 那份评测，是同一件事的两面：

工具层不规范，Agent 就是个会编地名的聊天机器人；过程不留痕，出了事你连哪一步算错的都查不出来。

六、怎么上手：别等大厂开放，先把本地这套跑起来

GRA 现在还是限量早期访问，咱也申请不着。

但"给 GeoPandas 上工具约束"这件事，今天就能干。

推荐一个我这两天在盯的：k-dense-ai/scientific-agent-skills。里面有个专门的 geopandas 技能，SKILL.md 里把 GeoPandas 1.2.0 的可复现环境钉死了（Python 3.12、uv、9 个固定版本依赖），还带了六个只出报告、不写文件的审计脚本：

bash
npx skills add https://github.com/k-dense-ai/scientific-agent-skills --skill geopandaspython skills/geopandas/scripts/vector_inventory.py data.gpkg          # 图层技术清单 + 源哈希python skills/geopandas/scripts/crs_reprojection_plan.py data.gpkg     # CRS 单位/轴向/候选变换方案python skills/geopandas/scripts/geometry_validity_report.py data.gpkg  # 几何有效性体检python skills/geopandas/scripts/spatial_join_audit.py points.gpkg zones.gpkg --predicate withinpython skills/geopandas/scripts/export_plan.py data.gpkg result.parquetpython skills/geopandas/scripts/sensitive_coordinates_checklist.py data.gpkg

这六个脚本的设计思路很对味：先规划，再执行；成功只代表"计划通了"，不代表文件已经写了。

跑空间连接之前先量一遍连接基数，导出之前先过一遍契约，敏感坐标要过发布闸门——全是我们做国土空间数据、做耕地保护红线校核时该有而没有的流程。

顺带一句：之前提过的 muend/geoai-skills 这周多了一个 star（现在 33），被 Awesome Claude Code 收录了，最新提交停在 10 月 17 号。跟上面这个是同一条路子，可以对照着看。

七、说到底

Google 那份数据最扎心的一点是：

把工具接上，分数从 0 跳到 52；换个更强的模型，分数涨不到哪儿去。

我们这行攒了二十年的坐标系常识、拓扑规则、面积量算口径，就是那个"工具层"。

AI 是来接这一层的，不是来替这一层的。

一个天天跟 shp、gdb、投影参数打交道的老登说：模型的分数是买来的，工具层的分数是攒出来的。

📌 互动一下：你手上有没有那种"跑得通但结果明显不对"的活儿？

信源：Google Earth AI Geospatial Reasoning Agent 评测（arXiv:2610.15750，2026-10-11）；Google 官方博客（2026-10-14）；《国土空间主题数据规范（征求意见稿）》公开征求意见（自然资源标准化信息服务平台，2026-10-16，意见截止 11-16）；k-dense-ai/scientific-agent-skills；muend/geoai-skills。文中评测数据为 Google 公开发布口径，规范条文以征求意见稿原文为准。