GIS 都接上 MCP 了,为什么 AI 还是做不成事?
开发极海品牌监测 MCP 时,有个问题比"工具能不能调通"更难回答:我们到底希望 AI 帮分析师做到哪一步?
拿连锁品牌选址来说。给 AI 一批地址,它能转成坐标,在门店周围画出服务范围。图可以是对的,却还回答不了哪里值得再开一家。地图上没有点的地方,可能是没被满足的需求,也可能根本没有足够的客流——就像地图上一片空白的街区,可能是大家都想去却没店的宝地,也可能只是一片仓库区。仅凭圈画得准,判断不出是哪一种。
上一篇聊"流程都固定了,为什么还要 AI",我说 AI 的一个价值,是把老手的判断留下来。做极海 MCP 的过程让我把这件事想得更清楚了:先让 AI 看到真实的业务数据,再把团队积累的分析方法教给它,最后还要定好哪些事它能自己干、哪些必须人来拍板。 少了哪一件,最后交上来的都可能只是一张看起来很专业的图。
一、让 AI 接触业务,工具才能往前多做一步
今天上午,我用极海品牌监测 MCP 调了一次星巴克全国报告,数据截至 11 月 18 日。调用的是mcp工具是 get_brand_detail_report。这次没有让模型自己上网拼门店名单,也没有只给它几条地址去画圈;工具直接返回了品牌门店记录的汇总、城市分布和同品牌最近邻指标。



用同一道选址题看,接入深度差别很大。只接网规规范文档,AI 能帮你写空间查询,数据还得自己找——相当于给了它一本菜谱,但冰箱是空的。只给它地理编码和缓冲区,它能把你给的点位画出来,却不知道清单还缺什么——有了食材,但不知道客人想吃什么。接上有权限访问的业务数据,它才有机会比较现有网点、候选区域和覆盖缺口——食材、菜谱、客人的口味都齐了,才能真正开始做菜。该开放哪一层,要按想让 AI 接手的工作来定,而不是按工具清单来定。

但如果接着问:"星巴克下一家该开在哪儿?“我们还不能给答案。它看到了品牌的门店网络,没看到候选铺位租金、高峰时段客流、现有店的营业额和可租物业。相隔几百米的两家店可能在争同一拨客人,也可能各自服务不同的写字楼。22.2% 说的是"两家店离得近",不是"两家店在抢生意"。 打个比方,两个水果摊挨着摆,可能是在分流,也可能一个卖进口水果、一个卖本地水果,各做各的生意。没有经营数据,光看距离分不清。如果没有接入经营数据,一份负责任的报告可以提出"这些商圈值得实地调查”,不能直接给出开关店名单。
这个边界还体现在一些容易忽略的细节里。比如,全国报告按自己的统计口径计入了 77 条标记为不可用的记录;如果要对外公布"可用门店数",就得按另一套规则重新算,密度数字也不能直接搬过去。又比如,请求地图时,系统标明 9,092 个点里只返回了 5,000 个;做个大致了解没问题,但不能拿这 5,000 个点当全量来分析。
开发时真正要想的是:手里这些数据能回答什么问题、回答不了什么问题?极海这次能回答门店网络的分布和密度;要往选址再走一步,还要把客流和经营数据接进来。给 AI 再加一个画图工具,并不会补上这块缺口——就像给一个只有体温计的诊所加一台打印机,并不能让它多看一种病。
二、把老手的方法留下来,别让 AI 每次从头猜
即使拿到了客流和门店数据,同一道题也有不同做法。两家店的服务范围重叠,不能把圈里的人口直接相加——就像两把伞重叠的部分,淋不到雨的人只算一次,不能算两次。就算把两个圈合并了,也只是消除了地图上圈的重叠,不能说已经知道有多少人真的会进店。一公里直线距离,中间隔着一条没有人行横道的快速路,实际走起来可能要绕两公里。
这些都是有经验的分析师做项目时会顺手检查的东西。我们可以用 Skill(预设的分析规则)把这套经验固定下来:什么时候只能用居住人口做粗略筛选、什么时候该用实际步行路线来量距离、什么证据还不够就不能给候选地排名。坐标系是否统一、数据有没有被截断,这类机器能检查的就交给机器。商圈划法或选址规则变了,由负责这条业务线的人来更新。MCP 解决的是"数据拿得到";Skill 解决的是"拿到以后怎么分析"。

三、把建议和决定分开,事先说清谁负责
我们自己的报告也碰到过这个问题。较早一次,同一工具在报告标题里写的是"店已经开密了,下一步是取舍。“这次复测,标题换成了"300 米内有同品牌邻店的比例”。两句话的差别看着不大,但性质完全不同:第一句是在替老板做决定——该关店了;第二句只是把数据摆到桌面上——密度是这样,你来判断。没有单店销售额和租约信息,即使密度算得再准,"该不该关店"这一步也不能让 AI 替业务负责人迈过去。
我希望 Agent 能把值得调查的地方找出来,把证据和还缺什么列清楚——像一个尽职的助手,把资料整理好、把疑点标出来。到了推荐具体铺位、批租金预算、决定撤店这一步,谁复核、谁签字,要在系统上线前定下来。反过来,低风险的数据查询和初步筛选完全可以交给它跑,不必每调一次查询就等人点头。人的工作不是替机器重算一遍,而是决定哪类结果可以直接用、哪类动作必须人来批准。
企业验收 GIS AI,别只看它会不会出图
如果厂商来演示 GIS 软件的 AI 能力,我会请它带着我们的一道真实业务题走一遍,不只测"能不能调通"。
- 1. 能看到什么数据? 只能查厂商自带的公开数据,还是能在授权范围内读我们自己的图层、表和业务系统?关键字段拿不到时,能不能明说"这个我看不到"?
- 2. 能用什么方法? 只是查数据、画图,还是能跑我们已经验证过的分析流程和业务规则?规则变了,谁来维护?
- 3. 数据在哪里跑、又去了哪里? 查询在哪台机器上运行?我们的提示词、数据摘要和分析结果,哪些会离开我们自己的环境?要按模型和部署方案逐项确认。
- 4. 谁授权,怎么追责? AI 以谁的身份登录和访问?能读什么、能改什么?哪些操作要先经人确认?出了问题能不能查到执行记录?
- 5. 别人能复算吗?成本撑得住吗? 交付的结果能不能追溯到原始数据、参数设置、软件版本和分析方法?换一批数据能否照样运行?把模型调用费、地图服务费、计算资源都算进去,全单位每月要花多少钱?
最好再加一道压力测试:故意不提供一项关键数据,看它会明确说"缺了这个数据,我只能做到这一步",还是照样生成一份看起来完整的建议。一个会说"我不知道"的 AI,比一个什么都敢答的 AI 靠谱得多。 这个测试比演示"用一句话生成一张图"更接近实际工作。
做一张地形图,投影和阴影的取舍,可以一点点写进 Skill。要回答"这个地区哪里适合建服务网点",还得让 AI 看到已有网点、服务对象、交通条件、需求数据和选址限制条件。GIS 的空间分析能力没变,接进来的业务资料变了,它能回答的问题才跟着变。
所以,听到"我们的 GIS 支持 MCP",我还是想多问一句:接上以后,它看到的是一份软件说明书、几把工具,还是我们真正要解决的问题?