夜雨聆风
视频导读
我做了一个 EasyGEE 的介绍和演示视频，教大家如何安装和使用这个 AI Agent 插件。
创作背景
2026年3月，OpenClaw 很火。很多人都在讨论新的 Agent 框架、跨工具调度和复杂工作流自动化。
我当时反而连续写了三篇关于 Codex 的文章。一篇做朱鹮分布分析，一篇做省级耕地撂荒风险筛查，一篇把 Codex 接上 Google Earth Engine 做遥感案例。
告别“龙虾崇拜”：我用 Codex 挑战了农林科学的复杂任务
尽管回头再看，这三篇文章非常简单，但我个人认为当时还是很有前瞻性得
。它们帮助不少人入门了科研场景里最有价值的 AI Agent。尽管那时我还没有使用成体系的 skill……
时至今日，我已经创作了很多科研相关的 skill，这使得很多专业性的工作可以紧紧围绕 Codex 等通用型 Agent 展开。
我一直关注遥感领域的发展。目前，有各式各样的 GeoAI 产品诞生，但真正能为人熟知的产品很少。因为这些模型或者Agent并不通用。
我的想法很简单，开源社区需要一个帮 Codex 熟悉遥感工作流的 skill。
当然，我也希望把 GEE api、地图控制台和数据集路由器等相关的工具集成到一个 AI Agent 插件里。
EasyGEE 把这种能力变成专业工作台
EasyGEE 的意义，是把原本分散在一次次临场判断里的经验，整理成一套适合遥感任务长期复用的结构。
作为首发版本，EasyGEE 已经总结沉淀了这几类高频能力：
第一类是任务路由。
它会先判断当前请求更适合 compute_first、map_first 还是 mixed；再判断方法上更适合 gee_first、local_first、hybrid、catalog_first 或 browser_first。这个设计非常重要，因为遥感任务的差异，往往首先体现在“该先算，还是先看；该走 GEE，还是走本地”。
第二类是知识前置。
EasyGEE 把 Earth Engine API、数据集搜索、数据层语义、QA 模式、导出模式、AOI 和边界处理、常见遥感任务模板都写进了 skill 和 references。这样一来，Codex 在做任务时拿到的是一组专业先验。
第三类是安全边界。
Earth Engine 和 geemap 一旦进入真实使用，就会碰到 Cloud Project、OAuth、quota、credentials、Google Drive、Cloud Storage 这些问题。EasyGEE 把授权计划、配额摘要、项目初始化这些环节写成显式步骤，把浏览器和凭据保留在用户私有空间，把 token、验证码、credential 文件、service account key 留在本地环境里。这个边界感对真实工作流非常关键。
第四类是地图工作台。
EasyGEE Map Console 提供 AOI 绘制、图层叠加、底图切换和视觉检查。遥感分析里，“先看一眼”是很重要的动作。研究者通常会先看云、看边界、看图层是否偏移、看结果有没有明显异常，再决定下一步统计或导出。EasyGEE 把这一层变成了可持续操作的浏览器界面。
第五类是中文社区遥感方法沉淀。
项目不仅引入了 GeoMaster 这一强大的 skill，还将中文社区里的教程总结成 GEE Growth Diary。前者覆盖本地 GIS、CRS、遥感、STAC/COG、机器学习等方法知识，后者把“GEEer成长日记”的 153 篇文章蒸馏成方法库。对于中文用户来说，这意味着自然语言任务和专业流程之间的距离又缩短了一截。
为什么有了遥感 skill，它会表现得更好
这个问题，我想尽量说得具体一点。
EasyGEE 让 Codex 表现得更完整，原因其实很直接。它把遥感任务里最消耗判断力、最容易重复踩坑的部分，提前整理好了。
一是减少临场试错。
以前每次做新任务，Codex 都要重新判断数据集、分析路径、导出方式、地图交互和工具切换。现在，这些判断有了一套稳定入口。路由器、模板、参考材料和脚本把很多常见问题提前组织好了，执行成本会更低，稳定性会更高。
二是增强专业一致性。
遥感任务对细节很敏感。传感器选择、波段、比例因子、QA 掩膜、AOI、scale、projection、导出格式，每个点都影响最终结果。skill 体系把这些细节写成规则和参考资料，Codex 在不同任务里更容易维持一致的专业口径。
三是把隐性经验外显化。
过去很多可行路径，是在一次次任务里临场摸出来的。现在这些路径被写进了可复用的技能材料、脚本和工作台接口里。经验从一次性表现，变成了可继承的结构。
四是让协作更顺。
有了 skill，用户和 Codex 之间的配合也会更顺畅。用户说“帮我做某地 NDVI”“打开地图画一个 AOI”“检查这个项目的 Earth Engine 配额”“导出当前 AOI 的结果”，Codex 接到的是更清晰的任务入口，输出也更容易组织成下一轮工作可以继续接上的状态。
五是让专业能力更靠近工作流。
过去，专业知识可能停留在文档、文章、教程、个人经验里；现在，这些知识逐步进入 Agent 的执行过程里。技能系统的价值，就是把“懂方法”变成“能做事”。
所以，EasyGEE 值得关注
如果你已经在用 Google Earth Engine、geemap，或者正在思考 AI Agent 如何进入遥感分析、生态建模和空间数据工作流，我很建议认真看看这个项目：
https://github.com/Rimagination/easygee
作为一个开源项目，我希望大家能理解它可能存在bug。任何一个开源项目都离不开社区各位大佬们的反馈和建议，这是它不断完善提升的必经之路。
最后，我的目标不是做好一个 skill，而是已经把讨论推进到一个更大的问题：
当 Agent 有了专业知识、有了稳定入口、有了地图界面、有了授权边界和导出规范之后，它是否能成为一个 AI-Native 的工作台。
这个问题，非常值得继续追下去。
