在2026空间智能软件开发者大会(GISDC 2026)主题报告环节,超图研究院胡中南作题为《数智共生:AI时代GIS开发新范式》报告。
报告从“AI已经走到哪一步”讲起:AI软件开发技术正从辅助编码走向完整工程任务,GIS开发由此出现三个“新”——新过程、新平台、新交付;接着给出“艾达卡”(I-DAKA)工程体系与空间智能体平台,最后落到从高价值场景切入的七步落地路径。
现分享PPT及演讲文字。以下为演讲内容整理。

尊敬的各位开发者伙伴,大家好,我是超图研究院胡中南。今天想和大家分享超图研究院在AI时代GIS开发上的一些思考与实践,报告的题目是《数智共生:AI时代GIS开发新范式》。
大家都知道,从去年年底到现在,AI Coding的能力、大模型的能力、代码智能体的能力,都有极大幅度的提升。去年开发者大会上,我们说“AI是我们的伙伴”;今天,它既是助手,也在很多环节成为开发者,部分环节甚至已是开发主力。
原因在于,AI开发技术这一年走过了好几级台阶:从去年大家熟悉的辅助编码,到对话式辅助,到规范驱动的开发(Spec-Driven Development),到Harness Engineering(驾驭工程)开发,现在正在迈向“意图开发”(Intent Development)——开发者只需表达意图,后端的代码智能体(Coding Agent)即可直接生成并交付最终工程成果。一句话:AI软件开发技术已经从辅助编码的初级阶段,走向了完整工程任务的高级阶段。这是我们谈“新范式”的技术背景和基础。
这个会叫空间智能软件开发者大会(GISDC),GIS开发有它的专业复杂性,我们叫Spatial is Special。
如图所示,从左边看起:移动端数据采集、地理空间数据治理、地图制图与可视化表达、三维空间分析、三维实景建模,再到遥感数据生产、 遥感智能解译……这一系列纵深复杂的专业业务链条,构成了地理空间产业能够存在的基础。
因为有这样的专业复杂性,所以不管你是通用AI还是面向coding的AI,都必须去理解空间坐标、拓扑关系、空间数据语义、GIS服务接口和工程约束,才能把一套GIS研发流程真正跑下去,交付一个可用的产品、一套可用的系统。
除了这种特殊性,GIS开发也有它的通用一致性,而且是两层。
如图所示,第一层是Software is Universal——都是软件。超图研究院主要做GIS标准软件和平台软件,与GIS应用开发有区别,但从软件研发的角度可以用四层来划分:最下面是T技术平台,往上是V软件平台、R标准软件,最上面是M客户定开系统。越往下越标准化、越值得复用,越往上越应用化。不管你做多做少,通常都会经历一次演化:先做项目、做定开系统,再逐步把可复用的关键技术沉淀到平台里;也可能先做通用的标准软件,再去做应用定制。背后的东西其实都是软件。
第二层是Engineering is Universal——都是工程。工程意味着过程可复现:同样的输入,应当得到同样的结果。不管用什么流程,都会有需求、设计开发、测试质量、发布运维这些阶段;也都需要数据与知识的底座,需要能力平台——在今天,就是大模型服务、代码生成引擎、知识图谱这样的AI能力平台。
基于这两层一致性,我们提出一个概念:GISE,空间智能软件工程。
说到这里,就回到今年大会的主题“空间智能 数智共生”。其内核是AI重塑GIS的研发范式与生产效率,GIS则为大模型补齐空间认知底座,二者双向融合、互为支撑,共同构建空间智能的全新体系。
如图所示,左边,AI已经进入需求、分析、设计、编码、测试与交付的全流程,实现了开发过程的重塑;右边,我们开发出来的系统不再是传统的、只给人用的桌面软件,而是可以给智能体调用的部件,或者直接接受人的指令就交出结果的智能体式系统,实现了系统形态的重塑。
左边我们叫“用AI开发GIS”,右边我们叫“开发AI原生GIS、智能体原生GIS”。
AI正在重塑GIS开发范式,重塑的地方很多,我把它归成三个“新”。
第一是新过程,从Process角度讲:以前是人和人协作,现在是人和智能体的Hybrid混合团队协作。
需求、设计、开发、测试、运维全流程,专业人员和对应智能体配合开展工作:人负责专业判断,聚焦业务意图、方案决策,校验智能体输出结果;需求、设计、编码、测试、运维智能体承接可分解、可执行、可验证的工程任务。
第二是新平台,从Platform角度讲:以前管的是软件代码资产,现在要管的是面向AI的能力资产。
传统资产观指的是以代码、文档、模块、版本为核心,重点管理代码资产;AI能力资产观则包括沉淀空间数据、业务知识,调用专业算法、软件接口,组合业务流程、智能体。
第三是新交付,从交付物角度讲:交付的不再是固化的软件系统,而是可自进化的智能体系统——Agentic System。
以GIS基础软件产品为底座,搭建面向行业场景的自进化智能体系统,即依托GIS算法、模型、工具库等专业能力底座,空间智能体完成意图理解、任务规划、工具调用,业务应用按需组装、快速构建。

用一张图概括:1新过程AI for GISE Process,2新平台AI for GISE Platform,3新交付Agentic System智能体系统。下面我分别展开。
先说新过程,AI赋能GIS开发全过程。
AI进入的正是软件工程的标准阶段:需求、设计、开发、测试、运维。其方式并非替代某一环节,而是逐段渗透,最终将五个阶段重新连成闭环。
需求与产品设计环节,输入的是业务资料、用户反馈、存量系统、政策与规范这些Context;需求与产品设计智能体去做资料理解、差距分析、需求拆解、原型与接口设计;输出的不是一堆文档,而是可追溯的需求集、可评审的技术方案、可验证的系统要求,即规格说明(Specs)与验证确认(V&V,Verification & Validation)。
这一步的关键,不在于“让AI把文档写出来”,而在于把输入与需求、设计之间建立起可追溯的关系——你要能知道这个需求是怎么来的,是AI编的,还是业务上真的有一条要求。

编码与组件开发环节,也就是大家最熟悉的AI Coding,分三步:工程理解,定位模块与依赖、解释调用链与数据流、识别修改影响范围;实现与集成,生成与修改代码、调用GIS组件和服务、修复构建与运行问题;迁移与适配,跨语言与框架迁移、跨端应用适配、国产软硬件环境适配。代码库、接口文档、构建环境、测试入口,都是它工作的上下文。
在超图研究院,AI编码已经不只是试点,有四条进展:一是团队级推广,多个产品开发团队(PDT)/技术开发团队(TDT)都在应用;二是生成率跃升,按月度统计,含对存量代码的修改在内,AI生成代码占比已超过60%;三是快速提升,某产品PDT单月提升14.7个百分点,从16.1%到30.8%;四是质量门禁护航,提交、合并、发布三级门禁自动拦截风险,代码审查一次通过率不低于95%。
一句话总结:AI Coding的收益,来自“覆盖面”与“质量门禁”双轮驱动,缺一不可。不要只一味追求覆盖度,代码写得对不对、质量行不行,更重要。
测试与运维同样在走向智能化:生成测试用例、执行测试、分析质量、运维诊断、持续迭代。AI把测试、部署和运行反馈重新接回开发过程,让软件迭代从阶段交接走向持续闭环。
这是超图研究院软件测试全流程的提效成果:测试设计、用例编写、测试执行、回归测试、测试报告五个环节,AI都参与进来了,人负责每个环节交付物的把关和判定。
全流程耗时从四百多分钟降到两百多分钟,缩短约49%;测试点覆盖度由80%~90%提升到95%以上;用例编写和回归测试由AI承担的比例分别达到68%和60%。
这里不是把活全交给AI,而是AI生成加人工审核双轮驱动。测试全流程耗时减半,单位时间产出接近翻倍。
同一套思路也用到了GIS服务的运维上。我们做了一个全链路智能运维助手,把部署环境预检、安全合规检测、服务监控预警、故障智能诊断都接了起来:SuperMap iServer完成18类安全扫描,提前发现并修复14项潜在风险,从278条日志中定位到WARN级问题的根因。以前人工逐条翻日志要一天以上,现在15分钟内就能给出根因。这些能力后面会产品化,逐步放进SuperMap云GIS产品里。
AI在五个阶段的具体职责如图:需求分析(文档解析、规格与原型)、软件设计(功能设计与选型推荐)、软件开发(代码生成与缺陷修复)、系统测试(用例生成与报告)、运行维护(日志诊断与知识沉淀)。总体由“以人为主”转向“AI+人”双轮驱动。
第二部分,新平台:支撑新过程的AI底座与工程体系。
AI+GISE平台自下而上四层:统一知识底座、统一研发入口、专业能力接入、智能体编排。知识底座汇集业务知识、GIS知识、工程规范与代码经验;研发入口统一接入需求填报、自动化测试、缺陷管理等既有系统;能力接入提供GIS MCP工具、Skills、API与组件;编排层支持工作流、长规划、循环推理三种模式。
要把每一次交付都做成可靠、高质量的结果,就需要一个AI底座和工程体系。我们提出I-DAKA——中文念“艾达卡”,也可以记成“爱打卡”。
自下而上共五层:I是AI基础设施工程,D是数据工程,A是能力工程,K是知识工程,最上面是A智能体工程。数据、能力、知识,本质上都是为了让智能体更准确、更好用、更懂你的业务,有效抑制大模型幻觉与答非所问,确保智能体输出精准契合业务预期的工程结果。
这套工程体系不只适用于GIS开发,各类业务系统开发都可以用——工程就是把不确定的事情确定下来。
第一层,D,数据工程。
D数据工程,不是常规的数据工程,而是面向AI、AI就绪的数据工程,目标是让数据可理解、可推理、可调用。
要在基础底图上建设AI就绪数据库,具体步骤包括统一空间参照、完善元数据、数据汇聚、提高质量、统一标准。
流程上形成闭环:数据需求与规划、多模态数据感知、数据预处理、数据标注与样本构建、模型验证与迭代优化,底部由数据治理(多模态数据、业务建模、数据工厂)托底。整条链路的实质,是锚定可信的业务事实。”
第二层,A,能力工程。
A能力工程,是让能力可以被智能体编排。过去我们管的内容从代码变成了各类能力,那这些能力就必须能被编排。
能力包括空间分析处理算法、地理空间AI模型、制图与可视化,以及数据API和业务API;通过MCP、CLI、Skills、Workflow对外提供,做到可发现、可组合、可授权、可审计。
超图的空间智能软件能力都是面向AI就绪来构建的:空间数据与算法基座、服务与多端、三维与遥感、智能体与工具接入、云边端与跨平台。智能体本身也可以成为一种能力,让通用智能体或业务系统来调用空间智能体的能力。
这是AI时代地理信息软件的全景图,高亮的部分就是 I-DAKA 能力层——面向智能体的工具接口与技能。它分两大类:一类是面向GIS使用的能力,本地工具集加服务器工具集;一类是面向GIS开发的能力,也就是开发者在意的GIS应用开发技能。
数量上:GPA Python API 1000+个、iDesktopX CLI 142个、iServer CLI 34个;服务器侧iServer GPA MCP 106个、iServer MCP 95个、iPortal MCP 65个。这些数量即为智能体可直接调用的工具规模。
技能层面分为三栏。本地工具技能覆盖数据管理、空间分析、三维处理、地图制图、智能配图与成果输出;服务器工具技能覆盖服务管理、地图与数据服务、空间分析、资源与用户管理;GIS应用开发技能面向Web端,涵盖数据加载、特效配置、坐标换算、场景初始化与相机导航。前者解决“会用GIS”,后者解决“会写GIS应用”。
第三层,K,知识工程。

K知识工程,是构建语义资产。
业务知识、专业规则、数据含义,这些原本分散的知识,通过本体、概念的构建,再到实体与实体之间的关联,形成知识图谱,变成集中的语义资产——可理解、可检索、可推理、可执行。
落到缺陷管控形成四步闭环:缺陷智能分析,关联提交、历史缺陷与知识库,输出根因与影响范围;修复措施生成,给出建议与变更代码,人工确认后合入;回归用例保障,自动生成并执行配套用例;知识沉淀复用,过程沉淀为文档,同类缺陷可检索、可复用。
为什么需要?人知道“这个概念在这个上下文是这个意思,在另一个上下文是那个意思”,但大模型不知道,或者不容易知道,容易搞混淆、容易犯错。所以需要知识图谱把语义固定下来。
在研究院,我们已经把它做成了研发知识图谱:变更影响分析、缺陷根因追溯、需求完整性检查、智能问答、测试覆盖率分析,用图谱把需求、代码、用例、缺陷连起来。Coding Agent可以直接读这张图,知道某个需求对应哪些代码模块,不用去问人——因为它已经被图谱化、语义化了。
本页为已投入使用的研发知识图谱平台:覆盖200+实体类型,含需求、缺陷、代码提交、测试用例、发布、安全漏洞等,并显示待处理数量;下方设需求→代码链路、缺陷→修复版本、时态溯源、多跳追溯、图谱可视化、数据洞察六个场景入口。使用路径为搜索、查看详情、展开追溯三步。
Coding Agent读取的正是这张图。以特性编号检索,经两跳扩展即可关联相关研发实体,本例节点100个、关系196个。由此,智能体可直接判断某需求对应哪些代码模块,无需再向人问询。
新交付:空间智能体平台赋能GIS系统智能体化。
最后是新交付。GIS应用系统的交付模式已经变了:项目交付不再止于一套业务系统,还包括可复用的智能体、可沉淀的知识和可持续升级的专业能力。
A智能体工程,就是把用户意图变成结果:理解意图、拆解任务、规划任务、调用能力、执行反馈,边界上有权限校验、人工审核和异常处理。

空间智能体重新定义了GIS系统的形态:传统GIS,使用者要懂业务加懂软件,门槛高,开发者要开发功能加开发界面,效率低;有了空间智能体,使用者懂业务、不必懂软件,门槛低了,开发者开发功能、不必开发界面,效率高了。

超图提供了一系列智能体原生GIS产品。高亮的是智能体原生GIS与面向智能体的工具接口与技能。其含义是:产品不仅要能完成任务,还需将能力整理为智能体可识别的接口形态,即MCP、CLI与Skills。

SuperMap AgentX(2026年推出)是智能体原生桌面GIS,面向桌面侧的数据采集、处理、分析等场景;SuperMap AgentX Server(2025年推出)是智能体原生服务器GIS,面向空间数据的分析应用,以及行业智能体、场景智能体的定制,业务通常是B/S形态。

举两个应用的案例。桌面侧是一个专用场景智能体:耕地转入转出分析并配图。用户只是输入一段文字、提出要求——把某地的耕地做转入转出分析并可视化,智能体就把你的意图直接变成结果并呈现出来,中间不用点菜单、不用记工具。

服务器侧的案例是云南某单位的空间智能体:它能和业务很好地关联,输入你的想法和业务要求,直接给出结果,还可以继续交互;你的一些想法可以沉淀到智能体里,下次用的时候你会发现,它比上一次更懂你的诉求。
最后是落地路径。
将新过程、新平台、新交付三部分合观,落地形成一张分层视图。上层为行业场景,涵盖自然资源、城乡规划、生态环境、农业林草、综合交通、地质灾害等方向及具体任务;中层为Agentic GIS底座,含算法、模型、工具库、技能集、空间知识与空间智能体;底层为统一智能研发底座,贯通需求至交付。其方向是由通用智能体走向专属场景智能体。
最后是落地路径,推荐从高价值场景切入,我们叫七步法。
第一步洞察业务,看业务目标、角色、流程与约束;第二步选择场景,选价值高、频率高、可验证、可复制的;第三步攻坚技术,把数据、模型、工具攻克;第四步部署上线;第五步沿着价值流扩散;第六步沉淀平台;第七步持续提升。复用和治理参照I-DAKA这套工程体系。
先走通一个高价值场景的智能化,再沿着开发价值流扩散到系统级智能。
回到三个“新”。GIS平台、专业业务能力、软件工程智能体、统一研发底座、组织过程优化五项要素为相乘关系而非相加,任一为零则整体为零。更重要的是,人是开发范式的主导,也是开发系统最终服务的目的。

正因为面对AI时我们人是主导、是目的,所以我们人的思维要先转过来。我们讲三个“全”:
All in AI,全力投入AI,探索AI开发新范式的各种可能;
All for AI,全面为了AI,我们的开发工作要为AI而做;
AI in All,让AI无处不在、全面赋能,融入到开发的全过程和全部交付物中。
我的报告就到这里,希望这些内容能给大家一些启发,谢谢大家!
扫描二维码
填写GISDC 2026调研问卷
就有机会获取精美好礼
编辑 | 王静静
审核 | 胡中南 李少华


