地信行业的“成果即服务”能实现吗？

摘要：话题林林总总，其中最重要的一条解读是软件行业不仅会欣喜的分享一个巨大（万亿）的市场，也要面对一场深刻的变革：在大型模型加持下的Agent越来越强大，软件和产品被赋予了更强的能力，它们被期待从仅仅提供工具，转向能够直接交付用户所需的、可衡量、可验证的“结果”。

上周末，红杉资本（Sequoia Capital）关于人工智能的闭门会刷屏了。

话题林林总总，其中最重要的一条解读是软件行业不仅会欣喜的分享一个巨大（万亿）的市场，也要面对一场深刻的变革：在大型模型加持下的Agent越来越强大，软件和产品被赋予了更强的能力，它们被期待从仅仅提供工具，转向能够直接交付用户所需的、可衡量、可验证的“结果”。

红杉等投资方对能够构建强大、鲁棒 Agent 和解决垂直复杂问题的公司感到兴奋，尤其关注那些能够通过严格测试和评估来实现编排、或者针对端到端任务深度优化的 Agent。也就是可以提供高质量、稳定可交付结果的Agent，红杉认可这个方向。

这一“从工具到结果”的转变趋势，并不仅仅局限于某个特定行业，而是正在成为所有行业智能化发展的共同方向。无论是企业追求运营效率提升、降低成本，还是政府部门希望提高治理能力、加速态势感知与响应，最终都聚焦于实现具体的、可量化的成果。

举个我自己实际碰到的简单例子。

我们最近一直在测试GIS工具如何实现那些复杂的、“非专业”自然语言驱动的任务，GIS工具怎么能准确的识别并实现这些任务？是用代码实现效果高还是直接模拟人类操作软件质量可靠？当然还是先选一些简单的任务开始，比如个性化制图。

上次我在公号文章（https://mp.weixin.qq.com/s/u_sJNGVVu421XAl3jIGMpQ）中已经介绍过，绘制这样的地图，用MCP工具通过编写代码已经完全可以实现（当然也考究大模型的能力，Sonnet 3.7/gemini 2.5 pro表现最好）。

Rivers_重庆Rivers_湖南Rivers_吉林Rivers_广西壮族自治区

一句话文案由Deepseek 出，输入给QGIS MCP（Sonnet 3.7），全自动处理河流样式、出图

我还想尝试如何让AI给出更综合的制图样式建议。去绘制一些抽象的感觉：“好看”，“漂亮”，“现代”，乃至“新巴洛克数字风格”，“超现实主义拼贴”，“新未来主义”等等。

我计划先给AI一个参考吧。已经多次在文章中介绍Snazzy这个网站中，有网友贡献的2万多种样式组合。这些样式有标签，还有网友的打分（浏览量，点赞量）。那我就全部取下来，输入给某个大模型作为先验知识学习学习。

在过去，这种任务，我怎么也得找个公司的小伙伴，写个爬虫，或者找个现成的爬虫工具、浏览器插件。虽然这个网站的结构很简单，但测试，研究，沟通，大概率得花个大半天时光。这次直接上manus，在manus对话框输入：

从网站：https://snazzymaps.com/explore 中，将所有的地图设计者的样式收集下来。包括每个样式的作者，观看数，点赞数，颜色的描述。比如：样式WY 设计者是StipeP 观看数3615419 点赞数8229 颜色为light greyscale monochrome 在页面中文字为，请参考： StipeP February 13, 2015 Map style for WY default color scheme light greyscale monochrome 3615419 views 8229 favorites 点击每个样式卡片后，会进入一个子页面比如：https://snazzymaps.com/style/8097/wy 左边有一个JavaScript代码块，点击下侧的EXPAND CODE将其所有的代码都保存在一个文件中。js的代码例子通过附件发给你了。上面描述的是一条完整的数据。用你的聪明才智，爬取这个网站所有的样式，为所有的样式建立一个数据存储结构，我可以线下浏览、总结。

manus很聪明的先尝试爬了三页。跟我确认了结果是不是正确，就开始干活了。中间我查了一下进度。因为它写的爬虫是模拟浏览器操作，所以还是挺费时的。默默的干了一个周末。结果很棒。

这算不算是成果交付的服务？过去交互再友好、学习门槛再低的爬虫工具也需要我去操作。但本质上，我并不想学习使用这类工具，我只是需要我希望爬取的结果。当然这个任务偏简单，没有太体现出来Agent的”高质量结果交付力“。再复杂一点的任务，manus现在执行的也不并不让人满意，而且不便宜。能在垂类上研发出性能高效可靠、安全省钱的Agent，也正是我们极海这样的创业公司奋斗的方向。

从个人体验上来看，交付成果而不是交付工具，这个趋势不可阻挡。泛地理信息（Geospatial）行业，作为涉及海量空间数据和复杂分析的专业领域，马上就会受到这一趋势的深刻影响。地理空间人工智能（Geospatial Artificial Intelligence, GeoAI）正是 AI 方法与地理空间数据及技术的深度融合，旨在革新我们理解和交互地球空间动态的能力。GeoAI 应用承诺通过自动化和提供易于理解的工具，强化决策制定，提升运营效率，加速态势感知，并助力应对复杂的全球挑战。这其实已经在暗示，GeoAI也就是要给结果，而不是让我们再去学习什么AI工具。

因此，地理信息领域的智能化发展，同样朝着成果导向的地理空间智能服务（Outcome-as-a-Service for Geo, Geo-OaaS）方向演进，即服务提供商不再仅仅销售软件或许可证，而是根据为客户带来的可衡量业务成果或对运营目标产生的切实在价值来获得报酬。这种模式将一部分实施和绩效风险从客户转移到提供商，更符合现代企业对可证明价值的需求。

地理空间智能领域传统模式与成果即服务（OaaS）模式对比

特征传统模式成果即服务 (OaaS) 模式主要产品/服务软件/数据产品可保障的业务成果/解决方案核心价值主张技术能力已实现的绩效/价值定价模式许可费/订阅费基于价值/绩效的费用风险分配主要由客户承担共享/主要由提供商承担客户关系持续时间交易性/阶段性长期伙伴关系提供商关键成功因素产品的技术卓越性可证明的成果达成和信任数据需求与共享客户采购/管理数据通常需要深度数据集成和共享

然而，如果不是我在本行业中习惯性的养成“傲慢态度”的话，我认为传统 GIS/RS 领域固有的复杂性给这一转型带来了独特的挑战。我猜测这个范式转换的过程会比较漫长。

这些复杂性体现在多个方面：庞大且多样化的空间数据，它们来源广泛、格式各异、规模惊人，有效处理和分析这些数据本身就需要智能工具的支撑；复杂的空间分析算法和操作流程，许多地理处理任务需要多个步骤的组合和精细的参数设置；专业软件的复杂用户界面，学习和掌握其全部功能对提供反馈的人类工程师和Agent都提出了很高的认知负担。这些因素叠加，使得在地理信息领域构建能够稳定、可靠地交付“成果”的 Agent 并非易事。

那么，在地理信息领域，哪些方向的 Agent 或方法更**可行、靠谱地实现成果导向（Outcome-as-a-Service for Geo）**呢？我认为有2个关键点值得关注：

1. 深度垂直化的 Agent (Hyper-Vertical Geo-Agents)：通用 Agent 尽管泛化性强，但在专业领域的准确性和可靠性难以保证。垂直 Agent 是一个重要的机会，它们针对非常特定的工作流程或任务进行深度训练，有望在特定细分市场超越人类专家的表现。在地理信息领域，这意味着出现专注于特定地理场景的 Agent，例如个性化制图Agent、选址Agent、矿产勘探 Agent、森林火险评估 Agent、输电网络巡检 Agent 等。这些 Agent 由于在特定领域拥有深厚的专业知识、经过针对性数据训练，并利用了该领域的预测试工具，其在各自狭窄任务上的成果交付更具可靠性。2. 专注于生成和解读“结构化结果”的 Agent：Agent 的核心是基于环境反馈使用工具来执行行动。要克服 LLM 可能产生的“幻觉”并确保结果的准确性，需要利用 LLM 本身不具备的外部反馈信号。结构化数据是实现准确性的关键。不同于难以校验的非结构化报告，当 Agent 生成的结果是结构化的数据（例如干净完整的表格）时，可以通过代码或规则进行严格的校验和验证。这种验证成功或失败本身就是一种清晰、可靠的环境反馈信号，能够驱动 Agent 迭代优化其行为，直到生成准确的结果。源材料中提到的 Data Agent 就是一个典型例子，它通过生成可被代码校验的结构化表格来保证数据收集的百分百准确率和稳定性，而不是依赖通用 Agent 生成模糊或不完整的报告。AI 编程能力被视为 Agent 的“灵巧手”，能够将用户意图转化为可执行的代码（例如 QGIS 中的python脚本、空间SQL），通过代码执行的成功与否及输出验证来提供反馈，这是一种实现准确性的强大机制。因此，专注于能够生成和验证结构化地理空间数据或分析结果的 Agent，是实现可靠 Geo-OaaS 的一个重要方向。

考虑到地理信息领域的复杂性以及对结果准确性的高要求，短期内完全由 Agent 独立完成所有任务并保证绝对精确决策仍面临挑战。Agent 和 Workflow（工作流）将长期共存。Workflow 稳定可靠，适合处理 80% 的常见、流程明确问题，而 Agent 凭借泛化性解决 20% 更开放、不确定问题。

在地理信息这个领域，可能长期来说，最优的模式是人类与 AI 的组合，共同实现技能和效率的升级，形成“人机共生”或“混合专家 GeoAI”的状态。在这种模式下：

• 人类负责提供关键的“上下文”和“意图”：Agent 的表现高度依赖于其所能获取和利用的上下文。在地理信息领域，人类专家或用户能够提供关于问题背景、数据特点、领域知识等丰富的上下文信息，并明确定义复杂的空间问题和分析目标。人类也负责对 Agent 的工作进行监督、指导和最终验证，尤其是在处理模糊性、进行深层语境理解、因果推理以及处理全新、未预见情况时，人类的判断和经验仍然不可或缺。此外，可信与可解释性是关键决策应用的基础，人类需要理解 Agent 的决策依据，并确保其符合伦理和公平性原则。• AI Agent 负责提供“创意”和“超常规的试验”：AI Agent 凭借其强大的数据处理速度和规模、在复杂数据集中识别人类可能忽略的模式的能力、以及通过自动化代码生成和执行进行快速迭代试验的能力，能够显著提升分析效率和发现新的解决方案。它们可以帮助人类探索传统方法难以触及的分析路径，生成和测试新模型、算法，甚至在数字孪生环境中进行大规模模拟试验，从而发现新颖高效的决策策略。这使得个体或小团队能够实现极高的工作杠杆效应，处理以往只有大型团队才能完成的任务。

因此，地理信息领域的智能化发展方向，将是 AI Agent 的能力（特别是垂直化和结果可验证性）与人类的领域知识、决策判断和伦理监督紧密结合。这既是对传统复杂性的应对，也是实现 Geo-OaaS 愿景、最终服务于解决更复杂全球性挑战的关键路径。我们将继续在这个方向上发力。