一个脚本，你就是拥抱AI的GISer了

上周我写了一篇文章，说GIS从业者面对AI时的那种茫然感，本质上是认知层面失去了坐标参考系。文章发出来之后，收到两份私信：

一个说"你写得对，但你没给解药"。

另一种更直接："道理我都懂，你给我看个具体的。"

想想也是，大道理说了一箩筐，不如来点实在的。罗胖老师常说：一具体就深刻。这周我就给具体的。

今天下午发生的事

上周末我打开QGIS，准备做一张全国地级市GDP分级地图，一张霸王茶姬全国分布图，还有几家门店的辐射范围图（简单buffer）。手边有几样东西：一份整理好的全国345个地级市十年GDP的Excel表格，一份地级行政区矢量底图，还有霸王茶姬门店的分布列表，同样也是Excel的。

这种活儿我做过无数遍了。流程烂熟于心：加载矢量图层，转换Excel，再导入CSV，字段关联，设置分级渲染，选色带，调断点，出图。每次大概要二十分钟到半小时，取决于数据脏不脏、要不要重投影。

但这次我换了一种做法。

我写了三个脚本，让本地跑着的大模型替我干了三件事。整个过程，从写脚本到地图渲染完毕，没有打开任何一个工具箱对话框。

这不是什么"AI重构工作流"的宏大叙事。就是三件小事，三步台阶。

第一步：别再手查EPSG了

GIS从业者有一个共同经历：你拿到一份经纬度数据，要做缓冲区分析，第一件事是什么？

投影转换。从WGS84转到一个以米为单位的投影坐标系，否则buffer出来的是个椭圆。

问题是——转到哪个投影？

如果数据在北京，你可能条件反射地知道是UTM 50N，EPSG:32650。但如果数据在乌鲁木齐呢？在昆明呢？在海口呢？

大多数人的做法是打开搜索引擎，输入"昆明 UTM zone"或者"EPSG 云南"，然后在一堆结果里找到那个六位数编号，复制，粘贴到QGIS的重投影对话框里。

这件事每次花两分钟。一年做一百次，三个小时就这么没了。

现在的做法：脚本里嵌了一个本地大模型调用。你只需要告诉它"这份数据在云南"，模型返回一个EPSG编号，脚本自动验证这个坐标系是否有效，然后直接执行重投影。

整个过程三秒钟。其实关键就是把那些拿不准的，没有提前准备好的答案转给一个大模型的API。实在是简单（模型随便，我选了个免费的）：

代码只有一个函数。它问模型一个问题："这个地区最适合用什么投影坐标系？只输出EPSG编号。"模型回答，正则提取，验证，完事。模型不可用？兜底用UTM 50N，也不会崩溃。

这就是上周文章里说的"低惊讶闭环"。你不需要理解Transformer架构，不需要知道什么是temperature和top_p，你只需要知道：有一个东西能帮你查EPSG，而且比你自己查更快。

第二步：一键从Excel到地图

第二个场景更日常。

假设你手头有一份品牌门店数据的Excel，里面有经纬度、营业状态、门店名称。你想把它加载到QGIS里，按营业状态过滤，在地图上显示为彩色散点。

传统做法是什么？

打开Excel，另存为CSV。加载CSV到QGIS，设置X/Y字段，选坐标系。然后打开图层属性，进入符号设置面板，选一个颜色——等等，这个品牌的主色调是什么？瑞幸是蓝色还是灰色？霸王茶姬是红色还是棕色？打开浏览器，搜索"瑞幸咖啡品牌色"，找到一个十六进制色值，复制，粘贴到颜色选择器里。

现在的做法：脚本从Excel文件名自动提取品牌名，调用本地大模型获取品牌主色调，自动匹配经纬度列，自动过滤营业状态，一键生成带品牌色的点状符号图层。

模型在这里做的事非常简单：你告诉它"瑞幸咖啡"，它告诉你"#0078D4"。就这样。脚本里预置了二十个常见品牌的颜色缓存，命中缓存连模型都不用调。只有遇到不认识的品牌才会问模型。

以及是不是做Draw Effect，stroke的line多粗多细，你都可以设置默认或者自动智能化的。

有人可能会说，这不就省了查颜色那三十秒吗？

不只是三十秒。关键在于流程连续性。原来从"拿到Excel"到"看到地图"之间有六七个手动步骤，每一步都可能被打断——列名不对、坐标系没选、颜色不满意。现在是一个入口进去，一张图出来。你的注意力始终在 "数据本身"，而不是在"工具怎么操作"。

第三步：让AI帮你挑色带

第三个脚本是这次折腾时间最长、但效果最好的一个。

做分级色彩地图时，每个GIS从业者都面对过这组选择题：

• 分几级？5级？7级？10级？
• 用什么分级方法？自然断点、等间距、分位数？
• 用什么色带？红黄？蓝绿？光谱色？

这些选择没有标准答案。取决于数据分布、取决于你想表达什么、取决于审美偏好。大多数人的做法是反复试：选个色带，看看效果，不满意，换一个。有时候调到凌晨三点，就为了让深色底图上那些面状色块既能区分，又不刺眼。

现在的做法：脚本先统计数据的分布特征——均值、中位数、偏度、四分位数——然后把这些统计量丢给本地大模型，附带一句你的偏好，比如"绿色系，10级，等间距"。模型看完数据后，输出一个分级方案，包含方法、级数、色带名称和一句理由。

我测试了一下2024年全国344个地级市的GDP数据。数据偏度3.53，极度右偏——少数城市GDP极高，大量城市集中在低区间。

当我什么偏好都不给的时候，模型推荐了Jenks自然断点、5级、黄到红色带。理由是"右偏分布适合自然断点，暖色调渐变适合单一指标的量级展示"。

当我输入"绿色系 10级 等间距"的时候，模型直接尊重了我的要求，选了Greens色带、10级、等间距。理由是"尊重用户明确要求"。

当我什么都不说只选了2025年的时候，模型推荐了Jenks自然断点、7级、紫色系。理由是"数据呈右偏分布，Jenks算法能识别数值聚类特征，配合7级紫色系色带可清晰展示层级差异"。

三次都不一样。三次都说得出道理。而且整个过程里，我没有打开过一次"符号"面板。

台阶，而不是天梯

回到上周的话题。

上周说的是，GIS从业者面对AI时的阻力，不是因为懒或者固执，而是因为认知落差太大——那个空白输入框，就像一个没有坐标参考系的空间。

这周做的三个脚本，本质上是在做一件事：把那个空白输入框变回GIS从业者熟悉的操作面板。

不需要你知道怎么写prompt。不需要你理解模型背后的原理。你只需要运行一个脚本，它问你两个你本来就知道答案的问题——数据在哪个省？你想要什么颜色？——然后帮你把从前需要手动操作十分钟的事情在三秒钟内完成。

这就是我说的台阶。

不是从地面直接跳到楼顶的天梯，是一步一步、每步都踩得到的台阶。你脚下踩的还是GIS——QGIS还是那个QGIS，投影还是那个投影，分级渲染还是那个分级渲染——只不过中间有些步骤被模型接管了。

而且是本地模型。跑在你自己机器上的，不传数据、不用付费、甚至不要联网（Ollama本地模型测试也都OK）。QGIS的Python控制台就能运行，不需要装任何额外的软件。

一个更深层的变化

不过我觉得最值得说的，不是效率提升本身。

是使用过程中出现的一种微妙的变化：你开始用自然语言思考GIS操作了。

以前你的思维路径是：打开工具箱 → 找到"重投影"工具 → 选源图层 → 选目标坐标系 → 运行。这是一个工具驱动的路径，你的思考跟着界面走。

现在的路径是：我想把这份数据转到适合云南的投影。说完这句话，事情就发生了。

这个变化看起来很小。但它意味着一个根本性的转向：从"我要怎么操作工具"变成了"我想对数据做什么"。

工具在退向后台。意图在走向前台。

上周文章的结尾，我说分水岭不在"会不会AI"，而在"面对不确定性时能不能用最小成本迈出一步"。

这三个脚本，就是最小成本的那一步。

它们不完美。匹配算法遇到"巴音郭楞蒙古自治州"和"巴音郭楞州"的时候需要查找表兜底。大模型有时候思考太久、JSON被截断，需要把超时时间拉长。数据缺口需要额外一轮搜集。

但它们跑起来了。地图渲染出来了。而且下一次再做同样的事情，不需要重新开始——脚本在那里，模型在那里，你只需要改一个Excel路径。

上周结尾我说，试着今天就问AI一个你工作中的小问题，只一个就够了。

这周我想把这句话说得更具体一点：那个"小问题"不用找，它就在你每天的琐碎工作里。

你每次查EPSG编号的那两分钟，是一个小问题。你每次从Excel另存CSV再手动加载的那五分钟，是一个小问题。你每次在色带列表里反复切换、对比、拿不定主意的那十分钟，也是一个小问题。

这些小问题太小了，小到你从来不觉得它们是"问题"——它们只是工作的一部分，是你早就习惯的操作成本。

但它们加在一起，就是你和AI之间最短的那段距离。

因为它们足够小，所以试一次不会有任何风险。因为它们足够日常，所以你不需要专门腾出时间"学AI"——下次做这件事的时候，顺手试一下就行了。

不需要全部三个脚本。就从最简单的那个开始。

然后你会发现，原来这件事真的没那么复杂。