GeoPipeAgent是一个 AI 原生的 GIS 分析流水线框架。
它要解决的，不是“让 AI 会调用几个 GIS 命令”，而是让 AI 以一种更现实、更稳定的方式参与 GIS 工作流。
现在的 AI，在相关 skill 的支持下，其实已经能根据自然语言描述，组织出一些 GIS 分析步骤。单看这个能力，好像已经不需要额外再做一个框架了。但问题在于：能做，不等于适合直接落地到复杂 GIS 场景。
GIS 分析和一般文本任务不一样。它通常有几个特点：流程长、步骤依赖强、可选GIS工具多，而且数据量大。
如果完全依赖 AI 通过对话临时理解需求、拆解任务、选择工具，再一步步试出来，会遇到几个很现实的问题。
第一，复杂任务会反复消耗上下文和 token。
同一个 GIS 任务，只要稍微复杂一点，AI 就需要不断回看前文、重新理解数据关系和处理顺序。这个成本在简单 demo 里不明显，但一旦流程拉长，就会很快变成实际问题。
第二，GIS工具不明确时，AI 往往会进入试探模式。
同一个空间处理任务，可能可以用不同库、不同 CLI、不同平台完成。AI 如果没有清晰边界，通常会先猜一个方案，失败了再换另一个。这样不仅效率低，还可能因为不同GIS工具之间的细节差异引入不必要的误差。
第三，GIS 数据本身不适合直接交给 AI 处理。
无论是矢量、栅格，还是中间结果，很多数据都很大。如果直接把这些内容转成文本喂给模型，不仅 token 消耗高，而且上下文长度很快就会成为瓶颈。数据一旦被截断，整个分析链条就不再可靠。
这也是为什么我认为Skill + 命令行执行这条路线比过去更现实。
过去更常见的做法，要么是直接和 AI 对话，让它生成代码或命令；要么是通过 MCP 一类方式，把工具和数据能力直接暴露给模型。但在 GIS 这种数据重、流程长的场景里，这两种方式都容易把问题推回到上下文本身：要么对话太长，要么数据太重。
GeoPipeAgent 采用的是另一种分工：
- Skill 负责让 AI 理解系统具备哪些能力；
- AI 负责把自然语言任务组织成结构化流程；
- 命令行和GIS工具负责真正的数据处理与计算。
这样做有几个直接好处：
- 流程结构明确，AI 不需要每次从零推理复杂任务；
- GIS工具可指定，减少无效试探和工具切换；
- 数据不经过 AI 本体，避免上下文过长和 token 浪费；
- 结果可以结构化返回，便于继续串联后续流程。
所以，GeoPipeAgent 的核心思路可以概括成一句话：
AI 负责流程控制，GIS工具负责数据处理。
它的目标不是替代传统 GIS 工具，而是给 AI 和 GIS 之间增加一个足够轻、但足够清晰的中间层。这个中间层把分析过程显式表达出来，让 AI 更容易理解任务，让工具更稳定地执行任务，也让整个流程更适合复用和扩展。
如果说以前的问题是“AI 能不能做 GIS”，那 GeoPipeAgent 关注的问题是：
怎样才能让 AI 在不吞下大量数据、不陷入长上下文、不反复试错GIS工具的前提下，真正进入 GIS 工作流。
