Oldcircle/geo-sleuth

它解决的问题

当照片中没有文字、标志或地标时，通常很难确定照片的拍摄地点。geo-sleuth 通过让 AI 代理利用几何和开放地理数据而非视觉识别来解决这个问题。它接受一张照片和一句类似“找出这张照片在哪里拍摄”的句子，并返回相机位置、朝向、卫星证据图像以及置信半径。

工作原理

geo-sleuth 打包为标准代理技能：一个 SKILL.md 文件加上纯 Python 脚本。代理读取 SKILL.md，运行脚本，并解释结果。工作流围绕 20 个单一用途的脚本构建，用于搜索和排序候选。例如：

• 它读取照片中的几何线索：桥墩间距成为距离标尺，阴影成为方位角，山脊线成为指纹。
• 它从 OpenStreetMap（例如铁路桥、电线、街道树木）和高程模型获取数据。
• 它扫描区域，从候选点的高程数据计算 360° 地平线，并过滤它们。
• 它将照片中的天际线与计算出的地平线进行拟合，求解相机横滚角，并将最佳候选叠加回照片上。
• 脚本对候选进行排序；模型（代理）在排名靠前的候选中进行判断。
• 它生成带有相机位置、视野和相关特征的证据图像，以及分级置信度。

它适用于任何能读取 SKILL.md 并运行 shell 命令的代理：Claude Code、Codex、Cursor、Gemini CLI、OpenCode、GitHub Copilot 等。README 展示了三个案例研究（稻田和高架桥、沙漠天际线、樱花树街道），精度分别达到 2 米、100 米和 3 米以内。

适用人群

面向希望赋予 AI 代理从环境几何中定位照片能力的开发者和研究人员。它适用于数字取证、历史照片分析、旅行记录，或任何照片缺少 GPS 元数据但包含足够物理线索的应用。它也适用于构建需要在多个代理平台上运行的代理工具的人。

亮点

• 一张照片，一句话：界面简单到只需说“找出这张照片在哪里拍摄”——无需进一步工程。
• 无需可读文本：不需要车牌、标志或地标；几何（桥墩间距、阴影、山脊线）承载搜索。
• 几何而非猜测：每个线索都转化为可测量的约束（通过桥墩间距的距离标尺、通过阴影的方位角、通过山脊线的指纹）。
• 脚本排序，模型判断：20 个单一用途脚本搜索、评分和排序；AI 代理在排名靠前的候选中选择，提高可靠性。
• 每个结论都指向文件：每个结论都指明命令和输出文件，使过程透明且可验证。
• 跨代理兼容：标准代理技能适用于 Claude Code、Codex、Cursor、Gemini CLI、OpenCode、GitHub Copilot 等。
• 答案带有误差半径：返回坐标加减半径、相机朝向、证据图像和分级置信度。