Spatial-Agent：基于科学核心概念的Agentic地理空间推理

地理空间推理对城市分析、交通规划和灾害响应等现实应用至关重要。然而，现有的基于LLM的智能体往往无法完成真正的地理空间计算，而是依赖网络搜索或模式匹配，并在空间关系上产生幻觉。我们提出Spatial-Agent，一个以空间信息科学基础理论为根基的AI智能体。我们的方法将地理分析问答形式化为概念变换问题，其中自然语言问题被解析为以GeoFlow Graph表示的可执行工作流——即节点对应空间概念、边表示变换的有向无环图。借鉴空间信息理论，Spatial-Agent提取空间概念，依据有原则的排序约束分配功能角色，并通过基于模板的生成组合变换序列。在MapEval-API和MapQA基准上的大量实验表明，Spatial-Agent显著优于ReAct和Reflexion等现有基线，同时产出可解释且可执行的地理空间工作流。