自然资源时空智能体建设方案：从数字化到智能化的演进路径

一、从数字化到智能化：构建自然资源时空智能新体系

自然资源行业正在进入智能化发展的新阶段

过去二十年，自然资源行业经历了信息化、数字化快速发展的重要阶段。

从基础测绘成果数字化，到地理信息公共服务平台建设；从第二次全国土地调查，到自然资源统一确权登记；从遥感监测应用到实景三维中国建设，行业逐步构建起覆盖天空地海、贯穿调查监测、规划管理、保护利用和执法监管全过程的数字化体系。

特别是近年来，随着卫星遥感、无人机航测、倾斜摄影、激光点云、实景三维等技术快速发展，自然资源部门已经积累了规模庞大的时空数据资源。

这些数据记录着国土空间的现状，也承载着自然资源治理现代化的重要基础。

然而，当数据规模持续增长、业务场景不断丰富之后，一个新的问题逐渐显现出来 ——

数据越来越多，但数据价值的释放速度并没有同步提升。

大量业务人员依然需要花费大量时间查找数据、组织数据、分析数据和编制成果。变化检测、图斑核查、规划评估、专题分析等工作仍然高度依赖人工经验和专业技术人员。

从某种意义上说，自然资源行业已经基本完成数字化基础设施建设，正在进入新的发展阶段。这个阶段的核心目标不再是解决“有没有数据”的问题，而是解决“如何让数据产生智能化价值”的问题。

二、大模型时代，自然资源行业面临的新挑战

近年来，以大模型为代表的人工智能技术快速发展，正在深刻改变各行各业的生产方式。

我们在自然资源行业同样看到了新的可能。

很多单位开始探索利用大模型开展遥感监测、辅助规划分析、自动生成报告、建设智能助手等创新应用。在实践过程中，一个普遍现象逐渐凸显：大模型能够理解业务问题，却无法直接完成业务工作。

例如，当工作人员提出：

“_分析某区域近三年的建设用地变化情况。_”

大模型能够理解这句话的含义，但并不知道相关数据存放在哪里，也无法直接访问遥感影像库，更无法自主完成变化检测、面积统计和规划符合性分析。

原因并不复杂。

自然资源业务本质上是一项高度专业化的时空计算工作：变化检测需要遥感解译能力；规划评估需要空间分析能力；执法监管需要规则判断能力；成果生产需要测绘专业能力...

这些能力经过多年发展，已经沉淀在各类平台、系统和专业团队之中，并不会天然存在于通用大模型内部。

另一个更关键层面的问题是，大模型在开放性对话中可能“幻觉”频出，在专业场景下缺乏行业知识与规则约束，如同一匹拥有强大力量却可能不受控制的“野马”。若直接将其接入业务系统，轻则答非所问，重则生成错误结论，影响监管决策。如何给大模型这匹“野马”套上合适的“缰绳、马鞍和笼头”？构建一套完整的Harness（驾驭框架），让其在专业轨道上安全、准确地运行。

这套Harness需要做到：

约束：限定大模型的回答范围和行动边界，防止幻觉和越权；

引导：注入行业知识、业务规则和术语体系，使其理解自然资源语境；

增强：赋予大模型调用数据、工具（Skill）和执行流程的能力，使其从“聊天”走向“干活”。

因此，自然资源行业的智能化建设，并不是简单部署一个大模型。真正需要解决的问题是：

如何在安全、稳定的基础上，让人工智能理解业务、获取数据、调用专业能力，并参与完整业务流程。

这要求行业构建一种全新的智能化技术体系。

三、数简自然资源时空智能体建设方案：AI Native 总体架构

面对自然资源行业智能化转型需求，数简认为，适应需求的是一套能连接数据、能力和业务的新型智能体系。这一体系既能够继承自然资源行业多年积累的数据资产和专业经验，又能够充分发挥人工智能的理解与推理能力。

基于这一思路，数简提出“AI Native智能原生平台底座 + Skill工具库 + Agent智能体 + 自然语言门户”的自然资源时空智能总体架构，并在智能体Agent通过内置的Harness来约束和增强大模型，一套完整的行业智能化运行体系。

3.1 底层数据平台：AI Native 智能原生时空数据底座

任何智能化应用都建立在数据基础之上。

对于自然资源行业而言，卫星遥感、无人机影像、实景三维模型、基础地理信息成果、国土调查成果、国土空间规划数据以及各类专题业务数据，共同构成了智能化运行所需的数据基础。

因此，智能化建设首先需要构建统一的时空数据底板。

通过统一的数据标准、统一的数据模型、统一的服务体系和统一的管理机制，将分散的数据资源组织起来，让数据从“能够存储”变成“能够理解”，从“能够查询”变成“能够调用”。

未来无论是人工智能、大模型还是智能体，都能够基于统一的数据底座获取所需资源。这是智能化体系运行的前提。

所以在AI时代，模型固然重要，数据底座更为重要 —— 所有智能分析、智能决策和智能体执行，最终都建立在数据之上。

数简平台最大的优势，正是来自于其面向海量时空数据管理和服务需求进行的长期积累，数简将其称之为AI native，智能原生的时空平台。为什么这么说呢？

首先，数简构建了统一的数据标准体系。统一的数据模型、统一的坐标体系、统一的元数据规范和统一的语义体系，使人工智能能够准确理解和调用数据资源。

其次，数简自主研发的“简算数擎”创新实现了免切片动态发布技术。传统模式下，海量遥感影像往往需要经过切片和金字塔构建后才能提供服务，数据更新周期长、资源消耗大。而简算数擎能够实现影像入库即服务，最新数据能够第一时间提供给业务系统、智能体和大模型使用。

这也解决了遥感适配人工智能的两大问题：

它让服务更及时，数据从进入平台到输出标准服务几乎是实时、无感的，这让agent能快速组建不同的工作流，形成业务垂直的解决方案；

它支持数据的多样化解译分析，以及与算法模型的无缝对接，数据即来即算，不需要重新切片处理，同样几乎实时自动化输出成果，这意味着Agent可以快速调动各类skill、算法，并能实时得到反馈，无需考虑各类前置条件与额外环节，这也让大模型更加适配时空这类专业数据，形成AI Native（智能原生）的工作流。

对于变化监测、应急响应和动态监管等场景而言，这种能力具有重要价值。

同时，数简平台覆盖数据采集、处理、管理、分析、发布和共享全过程，形成完整的时空数据全生命周期管理体系。这种能力不仅能够支撑当前业务应用，更能够持续支撑未来Agent体系和行业大模型的发展。

从某种意义上说，大模型解决的是“如何思考”的问题，而数简解决的是“用什么思考”的问题。

3.2 能力层 Skill 工具库：让业务能力成为可复用的数字资产

如果说数据是智能化的基础，那么能力就是智能化的核心。

自然资源行业经过长期发展，已经形成大量成熟的专业技术能力：变化检测、地物提取、遥感解译、空间分析、拓扑检查、专题制图、成果质检等能力，都是行业长期实践积累形成的重要成果。

过去，这些能力往往掌握在专业人员手中，或者分散在不同业务系统之中；而在智能化时代，更重要的是将这些能力数字化、标准化和服务化。

数简将这些专业能力沉淀为统一的Skill工具库，每一个Skill都代表一种专业能力，它既可以独立运行，也可以被其他业务场景重复调用。

数简在智能时代前期已经构建了30+遥感通用与行业垂直的丰富算法库，包括自动化预处理这类具有skill特性的数据生产算法，并在实践检验中也证明支持数据与算法无缝对接、自动化执行直至输出成果。

（详见：遥感数据如何自动化预处理）

基于前期的内部经验，数简也将助力自然资源下各部门将长期积累的业务经验与能力，形成标准skill库，形成更为高效的自动化、智能化能力。未来，无论是国情监测、国土执法还是规划评估，都不需要重新开发功能，而是通过调用已有Skill快速完成业务构建。

这意味着如测绘院几十年积累形成的专业经验与技术，将真正转化为能够持续复用和不断进化的数字资产，进而形成智能化的梯级迭代。

3.3 Agent 智能体：自然资源领域的数字专家

当数据和能力都准备好之后，真正发挥作用的是Agent智能体。

Agent并不是简单的聊天机器人，而是一位具备专业知识和业务经验的数字专家。它既能够理解用户需求，也能够理解自然资源业务规则。更重要的是，它能够自主组织和调用各种专业能力完成任务。

例如，当用户提出：

“_分析某县近半年新增建设用地情况_。”

Agent会自动完成数据检索、影像比对、变化检测、面积统计、规划符合性分析以及成果生成等全过程工作。在这个过程中，用户看到的是一个问题，而Agent完成的是一整套业务流程。因此，Agent实际上是：AI大脑 + 行业知识库 + Skill调用能力 的融合体。

它连接用户需求与专业能力，是整个智能体系的核心枢纽。

未来，国情监测Agent、国土执法Agent、规划评估Agent、卫星应用Agent以及测绘生产Agent，都将成为各业务领域的重要数字助手。

3.4 Harness 驾驭框架：让大模型安全稳定地完成自然资源业务

大模型虽然拥有强大的语言理解和生成能力，但在自然资源这种专业、严谨的领域，它必须被“驯服”和“引导”。这就是Harness的核心价值。

Harness不是简单的“护栏”，而是一套完整的大模型增强与控制框架，它包含三个层面：

知识缰绳（约束层）：通过内置行业术语库、业务规则库、法规条文库和空间关系约束，限制大模型的输出范围，防止其生成违反专业常识或政策法规的内容。例如，在回答耕地保护问题时，Harness强制模型基于“三区三线”划定成果和现行土地管理法进行推理，而非凭空发挥。
工具马鞍（增强层）：Harness将底层的时空数据平台和各类Skill工具封装成大模型可调用的标准化API，使大模型能够“学会”如何检索影像、执行空间分析、生成统计报表。这样，当用户问“分析某县近半年新增建设用地”时，大模型通过Harness自动触发遥感比对Skill和面积统计Skill，获得真实数据后再组织语言回答，而不是编造结果。
安全笼头（验证层）：Harness对所有大模型生成的中间结果和最终答案进行自动校验——通过逻辑一致性检查、空间拓扑验证、历史数据比对等手段，过滤掉明显错误或不合逻辑的输出，确保最终交给用户的成果是可信的。

此外，Harness还支持提示词工程模板和少样本示例库，帮助大模型快速理解特定业务场景的输入输出格式，降低“调教”门槛。

在实际运行中，Harness与Agent智能体紧密协同：Agent负责理解用户意图和规划任务步骤，而Harness负责在执行每一步时为大模型提供必要的知识补给和工具调用权限，同时监控其行为边界。可以说，没有Harness的大模型，只是一匹只会“聊天”的野马；有了Harness，它才能成为一位懂业务、守规矩、能办事的数字专家。