桌面智能体的火爆程度，从年初掀起的“养虾”热潮中可见一斑。数据能更直观地说明其影响力：OpenClaw 在 GitHub 上线仅 100 天，便获得了 28 万星标——这一成绩，甚至是 Linux 项目三十年都未能达到的高度；而另一个桌面智能体“爱马仕”上线三个月，Token 消耗量超越了 OpenClaw，可谓“长江后浪推前浪”。
桌面智能体火爆的主要原因可归结为两点：第一，“能力强”：能够理解并操控浏览器完成各类任务，当遇到不熟悉的操作流程时，能自动调取浏览器检索解决方案，也可经由浏览器下载与安装应用，甚至实现对整个电脑的控制。第二，“接地气”：作为桌面级智能体，大家可轻松上手，仅用笔记本电脑也能自如“养虾”。与此同时，它既能胜任工作场景中的任务，也能处理日常个人琐事，如订外卖、购物等。
既然智能体如此火爆，是否会最终“消灭”软件？我们认为，与其讨论智能体是否会消灭软件，不如说它正在重新定义软件。
去年报告中我们曾提出，智能体正带来软件范式的跃迁。对使用者而言，传统软件要求使用者既要懂得业务逻辑，又要熟悉软件操作，学习门槛高。而在智能体模式下，使用者只需掌握业务逻辑，无需关注具体菜单或界面布局，通过自然语言即可完成交互，应用门槛大幅降低。
对于应用开发者而言，同样意味着一次范式的跃迁。以前开发应用系统时，往往把更多精力耗费在界面开发上，因为界面设计不佳会直接影响用户接受度，操作体验也会制约使用效率。但在智能体时代，开发者无需在界面上花费过多工夫，将精力聚焦于功能开发，整体开发效率将得到显著提升。
为什么这么说呢？我们可以回顾软件界面的变迁：
传统图形用户界面（GUI）的核心，是服务于人操作软件、指挥机器完成各类任务。软件里的所有操作工具、菜单、对话框等，都需要工程师逐一设计、开发实现，这也导致开发者不得不耗费大量精力在界面开发上。
进入智能体时代，GUI 的定位和应用目标发生了本质变化。它主要用于辅助用户监控智能体运行，在必要时和智能体完成交互，比如补充缺失参数等。因此，智能体时代的 GUI 是实时生成、用完即走的动态智能界面。
“用完即走”的智能体GUI
例如大家可以看这段视频，下方是固定界面，上方会根据不同任务动态展示对应内容，界面实时生成，程序员也就不用在界面开发上耗费过多精力了。
通用智能体发展如此迅速，那么空间智能体的进展又如何呢？
可以说，AI时代的地理信息软件发展经历了三个关键阶段：
● 第一阶段：AI赋能GIS（始于2019年）。超图发布了AI GIS 1.0框架，核心是提供了一系列基于AI的空间分析算法，提升了GIS分析处理空间数据的能力。
● 第二阶段：智能体赋能GIS（始于2024年）。超图发布了更多地理空间AI算法与模型，构建了涵盖大模型与小模型的地理空间AI技术底座，同时推出了空间智能体的Web App，进入智能体赋能GIS阶段。
● 第三阶段：智能体原生GIS（2025-2026年）。超图在2025年发布了空间智能体服务平台（SuperMap AgentX Server），在2026年发布“空间智能体桌面平台”（SuperMap AgentX）。两款产品的软件形态与传统GIS截然不同，标志着GIS正从“智能体赋能”向“智能体原生”方向发展。
第一部分，我们先讨论GIS从智能体赋能到智能体原生的演变。
智能体赋能 GIS，是在传统 GIS 软件形态的基础上，嵌入或外挂空间智能体。整个流程仍以人工操作为核心，用户通过手动操作 GIS 软件完成各项业务，智能体只是辅助增效的工具，用来提升整体工作效率。
智能体原生 GIS 则完全不同，它的软件架构从底层就以智能体为核心设计。系统中枢是智能体，核心交互入口也是智能体，工作模式以智能体自主执行为主、人工干预为辅。正因如此，它不再像传统桌面 GIS 那样，需要搭载大量菜单、工具条和对话框。
所以，GIS 也正从 Copilot（副驾驶）向 Autopilot（自动驾驶）模式演进。
在“智能体赋能 GIS”模式中，依旧以人工操作为主导，内嵌的智能体承担辅助角色，主要作用是提升作业效率，这就是典型的 “副驾驶” 模式。
而到了“智能体原生 GIS”阶段，任务主要由智能体自主完成，人转为辅助角色，也就迈入了 “自动驾驶” 模式。
目前智能体处理复杂任务的成功率仍有待提升，因此智能体赋能 GIS 仍是当下主流。随着技术持续成熟，智能体原生 GIS 会逐步成为主流应用，成为未来主力生产工具，进一步大幅提升工作效率。
超图目前已推出四款智能体赋能 GIS 相关产品，分别是 GIS 门户平台 SuperMap iPortal、WebGIS 服务器开发平台 SuperMap iServer、桌面 GIS 平台 SuperMap iDesktopX，以及空间数据转换与处理软件 SuperMap TransformX。这四款产品均内置了 AI 助理能力。
【二维配图】SuperMap MapStudio AI助理
我们来看两个智能体赋能 GIS 的实际工作场景：
首先是二维配图场景：用户不用查找各类工具条，直接在右下角对话框输入指令即可，比如 “将蓝色省域面设为完全透明”、“添加断裂带线条并改为蓝色”，系统就会自动执行修改。还可以继续下达指令，标注地震点位、按震级调整符号大小、把标注颜色改为橙色。全程不需要手动点击菜单、工具条。
【三维场景配置】SuperMap iEarth AI助理
三维场景同样可以实现智能体赋能操作。SuperMap iEarth 是 SuperMap iPortal 中的应用，我们打开 BIM 数据后，面对不尽完善的初始展示效果，只需通过平台 AI 助理，就能一键完成场景美化、线框变黑等优化操作，还可隐藏建筑顶部顶盖，清晰展示模型内部结构。
这就是智能体赋能 GIS 的典型操作模式，也就是我们所说的 “副驾驶” 阶段。
第二部分，我们来介绍智能体原生桌面GIS软件。
智能体原生 GIS 目前共有两款产品，定位各有侧重、场景互补。
第一款是今天全新发布的SuperMap AgentX，即空间智能体桌面平台。作为智能体原生桌面 GIS，它主要部署在工作站端，聚焦数据治理、空间数据分析处理等桌面业务场景。
第二款是去年发布的SuperMap AgentX Server，也就是空间智能体服务平台。作为智能体原生服务器 GIS，它适配政务网等信息安全要求较高的运行环境，支持用户按需定制各类行业应用智能体，是面向开发的空间智能体服务平台。
我们可以把 SuperMap AgentX，理解为地理信息领域专属定制的 “龙虾” 智能体。它内置了专业的地理空间工具集：首先是底层搭载多模态空间数据引擎，大语言模型和通用智能体本身无法识别、解析空间数据，必须依靠这款专属引擎完成解析。其次，平台进一步集成了各类空间分析与处理工具，并针对智能体完成工具封装、接口适配与技能（Skills）部署。
SuperMap AgentX 对比通用 “龙虾” 智能体，核心能力主要体现在四大升级：
第一，具备专属 GIS 工具能力。平台内置全套 GIS 技能与工具集，搭载 SuperMap GIS 系列专业能力，适配各类地理空间处理场景。
第二，搭载专属 GIS 专家中心。平台兼容各类空间数据、无刚性数据规范限制，能实现的功能复杂多样，因此执行不同任务需要写较为详细的提示词，以便智能体能正确理解工作内容。为此，内置空间分析、数据质检等多领域专家能力，大幅降低提示词输入工作量，仅需简单指令即可完成各类专业 GIS 任务。
第三，拥有实时地图可视化交互能力。数据处理完成后，可即时实现可视化展示，支持缩放、浏览等交互操作，方便用户快速校验数据效果、核对成果是否符合业务需求。
第四，支持与传统桌面 GIS 高效协同。智能体处理完数据后会生成专属链接，用户可一键跳转至 SuperMap iDesktopX，开展深度编辑、精细处理等进阶操作。目前地理空间智能体尚无法独立完成全部复杂 GIS 任务，通过与传统 GIS 软件协同，能够实现能力互补、场景全覆盖。
【独栋房屋统计】SuperMap AgentX
举一个桌面空间智能体的应用实例。项目要统计建筑栋数，数据中房屋面斑块划分十分细碎，需要先合并相邻房屋面、剔除细碎面要素，再开展统计工作。只需输入提示词，说明数据要求与处理逻辑，整套流程就能自动跑完，高效完成任务。
【15分钟生活圈分析】 SuperMap AgentX
再来看“15分钟生活圈” 的应用案例。在提示词中指定数据源、数据集和公交站点等信息，和相应的指令，系统就能自动完成步行场景下的 15 分钟生活圈分析，并导出对应数据。用户还能在手机端远程下发指令，由工作站负责运算分析。处理完成后，结果会用不同颜色标注各类 POI 点位，同时支持信息查询，全程仅靠文字指令就能实现。
SuperMap AgentX 基于 “龙虾” 定制，拥有较高系统权限，使用时有可能意外误操作数据文件，不一定适用于对信息安全要求较高的计算环境。那么，政务信息化用什么呢？
第三部分，介绍智能体原生服务器GIS平台。
为此，在政务网等对安全性要求较高的环境中，我们推荐使用第二款产品——SuperMap AgentX Server，这是一个服务器端的开发平台。
较之去年的版本，2026 版 SuperMap AgentX Server实现了多项关键升级。
第一，新增推理循环智能体模式，提升复杂任务的执行成功率。
第二，新增远程控制通道。该功能借鉴了 “龙虾” 的设计思路，可通过飞书、企业微信等端口远程调度服务器执行任务，无需频繁进出机房操作。
第三，新增定时任务功能，可以周期性自动执行预设任务。
第四，新增长期记忆能力。系统会自动留存过往复杂任务的成功执行流程，再次处理同类任务时，能够有效压缩处理耗时、提升作业效率。
2025年，超图把智能体分为三种模式：知识问答式、工作流式和自主规划式。
其中，知识问答式的行动能力较为有限，主要侧重于文字类问答交互。因此，我们倾向于不再将其归类为智能体，但功能仍保留在SuperMap AgentX Server产品中。
今年超图全新提出三类智能体运行模式：
第一，工作流式模式。该模式于去年正式发布，特点是 “流程驱动，按图索骥”。有流程框架约束，智能体依托大模型完成思考与推理，可稳定执行超复杂任务，不足之处是要提前人工定义工作流。
第二，自主规划式模式。特点是“目标驱动，想清再做” 。运行逻辑是先将复杂任务拆解为分步流程，完成整体规划后再逐步落地执行。每完成一步，系统都会自动反思校验、判断执行结果。如果执行失败，会优先排查参数问题并重试；多次重试仍无法成功，将重新梳理任务逻辑、迭代全新规划方案。同时，该模式支持引入人类反馈，进一步提升任务完成质量与成功率。
第三，循环推理模式。该模式遵循 “步步为营、边探索边执行” 的策略。无需一开始就完整规划全局，智能体先判断并落地第一步动作，比如检索操作手册、获取前置信息。再依据第一步的结果，持续推理、迭代后续步骤。面对无法一次性规划清楚的高复杂度任务，它可以通过持续探索、分步落地的方式，逐步完整闭环整个任务。
三种模式各有适配场景，用户可根据实际业务需求灵活选用。
工作流式智能体具备四大核心特性：
● 工作流框架约束规划任务：融合智能体自主能力与工作流框架的规范约束，可承载包含数十步操作的超复杂任务，适配高复杂度业务场景。
● 可视化拖拽搭建工作流：去年年底，SuperMap AgentX Server提供拖拽式工作流搭建能力，告别了以往仅靠脚本搭建的繁琐方式，大幅降低了工作流的搭建门槛与操作难度。
● 支持 A2A 智能体互通协议：搭建完成的工作流可被其他智能体直接调用，实现智能体之间的能力互通、任务联动。
● 提供工作流智能体 Web 组件：支持快速嵌入各类第三方业务系统，可无缝对接多类业务平台，实现能力复用、跨系统运行。
【智能体工作流构建】 SuperMap AgentX Server
以上为智能体工作流搭建界面，我们构建一个工作流，然后根据流程完成复杂的任务。
坡面流与微流域危险性分析-降雨栅格数据查询
我们来看一个重庆市某区域的坡面流域危险性分析的真实案例。整个分析过程分为几个步骤：操作人员首先打开平台软件，查询降雨相关栅格数据。
坡面流与微流域危险性分析-坡面流风险性分析
第二步则开展坡面流的风险分析，该动作通过调用一个预设的工作流自动完成。
坡面流与微流域危险性分析-时段微流域危险性分析
随后进行的是微流域的危险性分析，主要评估在特定时段内，当小流域遭遇强降水时，其对应的危险性等级。该分析可快速生成结果。从操作结果来看，其分析具有较强的前瞻性。
前几天重庆永川地区遭遇了一场大暴雨，一天之内降雨量达300毫米，其中在数十平方公里的范围内，一小时降雨量就达到了100毫米，形势极为严峻。这种极端情况几乎无法通过常规手段进行有效应对，而这恰恰属于微流域危险性分析所关注的典型场景。
长规划模式具有以下三大核心特性：
● 自主规划任务：无需事先搭建流程，自由度高，但任务成功率通常低于工作流式。
● 先规划后执行：其优势在于，由于事先完成了整体任务规划，执行效率较高，无需反复探索。
● 反思闭环机制：能够实现自我纠错，从而有效提升任务成功率。
长规划模式案例-资源探查
以云南某单位的真实案例为例。首先询问有哪些数据资源。
长规划模式案例-数据规范性评估
随后评估这些数据是否符合自然资源部发布的行业规范，并最终出具相应的检查报告。
长规划模式案例-地类面积统计排序
完成数据规范性检查后，系统进一步开展地类面积统计与排序工作（此处对真实数据进行了脱敏处理）。
长规划模式案例-土地利用现状分析
最后进行的是土地利用现状分析，该分析共分为三个步骤：
● 第一步，对多个区域的土地利用现状进行分析；
● 第二步，展示局部区域的耕地面积，重点关注连片耕地的分布情况；
● 第三步，从建设用地中提取出原为耕地的地块，进行呈现并完成统计。
以上整个流程并未依赖预设的工作流支撑，而是由系统自主规划完成，包括自行决定调用哪些工具、选择哪些算法来实现分析目标。
循环推理模式具有以下三大核心特性：
● 自主规划任务：无需事先搭建流程，因此自由度高。
● 边探索、边执行：对于长规划模式难以成功处理的复杂任务，循环推理模式通过探索式执行，仍有可能取得成功的执行结果。
● 文件安全防护机制：为防止重要文件被误删除或误修改，用户可以指定特定的文件或文件夹进行保护。同时，对于部分敏感文件，系统将限制其被读取，从而进一步提升整体安全性。
循环推理模式：国土空间详规智能审查
以国土空间详细规划审查为例，该任务较为复杂。系统首先需明确所涉及的数据内容及基本处理思路，随后自主展开执行过程：
● 第一步，获取相关数据；
● 第二步，执行规划步骤，首先执行求交；
● 第三步，再执行擦除，将待审查的详细规划与全市范围内的详细规划进行比对；
● 第四步，生成审查报告。
整个过程采用的是“边探索、边执行”的模式。
空间智能体已适配国内外多种基础软件环境，涵盖统信、Windows 等操作系统，以及华为、英伟达等不同品牌的 AI 芯片。在 CPU 方面，支持鲲鹏、飞腾、海光等多种型号，整体适配范围较为广泛。
接下来介绍智能体的工具与技能（Skills）。
最底层为多模态空间数据引擎。
第二层为地理空间分析处理工具集，包括三类：
● 第一类是经典地理空间处理与分析算法库；
● 第二类是多模态地理空间AI模型库，涵盖AI原生算法以及大模型、小模型，2024 年发布的地理空间 AI 技术底座归入此类；
● 第三类是地图制图与可视化工具。
第三层为面向智能体的地理空间工具接口与技能，各类工具通过 CLI、Python API、MCP 等本地及 Web 接口封装，最终形成各类可用技能。
大语言模型难以直接理解空间领域的具体事务，但借助这些工具，可以有效弥补其在这一领域的不足。
SuperMap提供了丰富的本地工具集和Web服务工具集。
自 2023 年起，SuperMap 推出遥感与 GIS 一体化技术。SuperMap GIS 系列软件不再局限于地理信息系统（Geospatial Information Systems, 狭义GIS），升级为地理信息软件（Geospatial Information Software，广义GIS）。依托这一技术，SuperMap 打造的智能体工具集同样为遥感与 GIS 一体化，无论在经典软件形态还是智能体软件形态下，均可完成影像处理、影像管理、影像发布、智能解译、影像应用的全流程任务。
2026年，SuperMap AIF（地理空间AI技术底座）也得到进一步提升，下面举两个例子。
倾斜摄影三维模型AI匀光匀色
一是在三维建模及局部更新过程中，由于数据时相不同，更新区域与周边环境的色彩可能不统一。针对这一问题，超图提供了三维模型的AI自动匀色功能，可实现一键式自动色彩均衡。
二是2026版超图遥感解译预训练大模型SuperMap LIM 提供了变化检测能力，以往主要侧重于地物分类任务。
在技能（Skills）方面，涵盖了本地工具技能、服务器工具技能以及GIS应用开发技能。当前AI编程应用已相当普及，为便于AI编程工具掌握操作GIS软件的编码技能，超图开发了一系列应用开发相关Skills。
TRAE基于SuperMap ClientX Skills的AI编程
例如，在字节跳动的TRAE AI编程工具中，将SuperMap iClientX的Skills导入其中，只需通过自然语言下达简单指令，即可快速开发出一个三维应用系统，操作极为便捷。
SuperMap Skill Hub（https://skillhub.supermapol.com）
超图构建并将这些技能发布到线上网站SuperMap Skill Hub上。无论是“龙虾”还是其他空间智能体，均可链接并调用该平台所提供的技能。
那么，是否可以直接利用通用“龙虾”类智能体来处理地理空间数据呢？
当然可以。只需为 OpenClaw、WorkBuddy 等通用智能体装上地理空间技能与工具，相当于为其配备了地理信息处理的“手”和“脚”。
OpenClaw 合并相邻同类地类图斑
以 OpenClaw 为例，在处理土地利用数据时，可将同类且相邻的地类进行合并处理，用户只需发出相应指令，即可完成合并操作。
WorkBuddy 分析两年耕地流入流出变化
WorkBuddy 同样可用于耕地数据流入与流出分析。例如，用户提供两个年份的数据，并指明各数据代表的含义，系统即可自动规划分析步骤，识别哪些耕地为流入地块，哪些已转为其他用地类型，最终输出分析结论。由此可见，“龙虾”不仅能完成订外卖、处理文档等日常任务，也能够胜任地理空间信息处理任务。
展望AI时代的地理信息软件——我们称之为广义GIS，其全景图包括：
● 底层为多模态空间数据引擎；
● 第二层为三类工具集，和面向智能体的工具接口与技能；
● 最上层为三类SuperMap GIS软件形态：首先是AI赋能的GIS软件，共五款；中间是智能体；赋能的GIS软件，共四款；最后是智能体原生GIS软件，共两款。
需要指出的是，当前自主规划类智能体在任务完成率和成功率方面仍有提升空间，其成熟度在很大程度上依赖于底层大语言模型的推理能力。
DeepMind 曾提出一个 AI 成熟度框架，其中L5为“超人类”级，L1为“涌现级”，即刚刚开始显现智能的阶段。目前的大语言模型仍处于L1，虽已非常接近L2，但尚未完全达到。预计未来两三年内有望实现突破，届时智能体，尤其是自主规划式智能体，将迎来任务成功率的大幅提升。
最近有个争论：软件是否会成为“日抛”，即使用一天便被弃用？在许多场景下，这种情况确实可能发生，原因主要有两点：
● 第一，AI编程的效率极高。例如，当领导要求完成某项统计分析任务时，传统方式需要人工编写代码，而现在借助智能体可快速生成结果，任务完成后，该软件可能就不再使用。
● 第二，智能体的界面由系统自动生成，开发者无需在界面设计上投入精力，不只是日抛，甚至是用完即走。
当然，并非所有软件都会“日抛”。高频重复使用类APP，还有智能体平台、工具集、空间数据引擎这类底层产品，都是要长期使用的。
地理空间智能技术未来的发展方向有哪些？主要体现在三个方向：
● 第一，智能体赋能GIS。需要进一步提升复杂任务的处理成功率，更大幅提升人的工作效率。
● 第二，智能体原生GIS。同样需要提高复杂任务的成功率，尤其是自主规划式智能体，这类智能体无需依赖预设流程，自由度极高，如何大幅提升任务成功率是未来需要重点突破的方向。
● 第三，AI原生地理空间工具集。目前超图已构建了由多种大小模型组成的地理空间AI模型库，但这仍然不够，还需要研发更多、功能更强的模型。特别是，未来是否可能出现一个更为通用的地理空间大模型，能够胜任多种不同类型地理空间信息的任务？尽管难度很大，但不排除这种可能性，因此值得继续探索。
有人说，AI 技术变革是过去几十年乃至未来几十年对社会冲击最大的一次技术变革，对此大家都深有体会。AI浪潮中，没有任何领先是安全的，唯有不断向前奔跑。超图也愿与在座各位携手并进，共同探索 AI 的未来。谢谢大家！
