开源地理空间数据处理 AI 工具 Geosql

为数据科学家和分析师打造的 Claude、Codex 和 GitHub Copilot skill，用于处理 PostGIS、BigQuery、Snowflake 和 Wherobots 上的地理空间数据。

注：无需 SaaS 账户。100% 本地或自托管运行。

地理空间任务性能提升 4 倍，地图在循环中。

使用 Python（交互模式）：

pip install geosql && geosql

GeoSQL 首先将 skill 安装到你检测到的 agent 中。然后检查可选的 Dekart CLI 是否就绪，仅在需要时询问是否安装或初始化。提示会显示确切的命令，并默认推荐安装选项。

安装后，像这样提示你的 agent：

/geosql Show EV charger density along major roads and render a map

可选：使用 Dekart 的地图和数据库连接

GeoSQL 可以使用 Dekart，这样你的 agent 就能渲染地图、读回地图以修正几何问题，并连接到 PostGIS、BigQuery、Snowflake 或 Wherobots。

成功安装后，GeoSQL 提供设置 Dekart 的选项：

安装 Dekart CLI（推荐）运行 pip install 和 dekart init。已安装配置好了？GeoSQL 会检测到并跳过。

暂不安装（或按 Escape / Ctrl+C / 在非交互式终端中）会保持 GeoSQL 安装状态，并打印以后使用的命令：

python -m pip install dekart
dekart init

dekart init 连接到 Dekart Cloud（无需 Docker），或指向本地或自托管实例。

GeoSQL 发送尽力而为的版本检查，包含其包版本和不透明的随机安装 ID。GeoSQL 和 Dekart CLI 在 ${XDG_CONFIG_HOME:-~/.config}/dekart/installation_id 共享该 ID；删除该文件会重置它。在创建 ID 之前设置 DO_NOT_TRACK=1（或 DNT=1）以禁用版本检查。CI 会发送保留的非持久化测试 ID。

在你的 agent 中尝试的示例 prompt

房地产分析：

/geosql Show buildings with low school accessibility in Ottawa, render as a map

/geosql Find the top 10 locations for Sporting Goods Store in Seattle based on POI co-location and distance to the nearest competitor. Create a map.

EV 充电基础设施：

/geosql create map EV charger density along major Romanian roads, highlighting how many charging stations are within 5 km of each motorway, trunk, or primary road segment.

GeoSQL 运行带有地图的 agent 循环

Discovery

该 skill 探索你的数据仓库元数据（表、列、类型），而不是猜测 schema。适用于 BigQuery 和 Snowflake 上的 Overture Maps 共享数据，以及你在 PostGIS、BigQuery、Snowflake 或 Wherobots 上的私有表。

SQL

agent 使用你的引擎特定的函数（ST_INTERSECTS、ST_DISTANCE、H3、用于分区剪枝的 bbox 重叠等）编写空间 SQL。

成本检查

在 BigQuery 上，每个查询都会先进行干运行以估计扫描的字节数。默认强制执行 10 GiB 的账单上限。超出预算的查询会被重写为更便宜的版本（更紧的 bbox、更低的 H3 分辨率、更多过滤器），而不是直接执行。

几何验证

agent 计算总面积（多边形）或总长度（线）作为健全性检查，并与领域知识交叉验证。

地图反馈

如果可用，agent 会通过 Dekart 渲染结果，查看渲染后的图像，并纠正仅文本循环会遗漏的几何错误。这是获得 4 倍改进的循环。

该 skill 使用你本地的 CLI 认证（bq、snow、dekart），因此数据仓库凭证永远不会发送给 agent。

GeoSQL 附带一个可重现的评估套件 evals/ 目录下。每个用例声明特定的行为（成本护栏、验证步骤、正确结果），而不仅仅是"agent 是否回答了"。

包含套件的当前结果：

平均：每轮 3,085 tokens，每轮 72 秒耗时。

上面的 4 倍改进图表比较了有地图循环和无地图循环的相同任务集。没有地图时，agent 仅文本验证会遗漏几何类错误（将邻域多边形误认为城市区域周边、重复计算重叠特征、在坐标参考系上选择错误的 join 键）。将渲染地图添加为工具调用后，agent 能看到这些错误并自我纠正。

自己运行套件：

python evals/run.py

参见 evals/RUNBOOK.md 了解设置以及如何添加新用例。欢迎提交包含新评估的 PR。