最近GIS圈子里，"AI画图"是真的火了，而且火得有点不一样。
北航一位90后副教授何静在B站发了条视频：用Claude Code和Codex联动QGIS，全程只靠自然语言指令，AI自动完成数据下载、坐标修正、符号配置、布局出图，甚至自己解决Bug和API限流问题。哔哩哔哩这条7月初发的视频，目前播放12.6万，点赞3100+，但最反常的是收藏数——5196，比点赞还高。教程类内容收藏高于点赞，通常只说明一件事：大家是真想照着做，不是看个热闹。
更关键的是，这不是孤立的一条视频，而是一整波事件。7月28日，同一作者团队又放出后续：8个真实制图案例的Claude Code+Codex评测报告。也是在这一天，MCP协议迎来官方所说的发布以来规模最大的一次修订：核心协议取消会话和初始化握手，全面转向无状态、自包含的请求模式。知乎
8月8日，微博上"有人vibe了一个GIS软件"的帖子火了：一套叫GeoLibre的MIT开源cloud-native GIS，据说是一位教授带几个学生、十来天做出来的，同一个工作空间浏览器、桌面、手机、Jupyter全平台通用，帖子拿到140赞95转。微博
8月19日，知乎出现QGIS-MCP实操文章：用开源项目qgis-mcp（GitHub，提供118个常用工具），让Codex直接读geojson、转坐标（EPSG:4546）、把结果图层自动叠进QGIS，全链路跑通。知乎
8月上旬，谷歌地球AI生图功能上线不到48小时被紧急撤下，因为专家警告它能制造以假乱真的虚假卫星图。微博
一边是AI真能干活了，一边是AI生成的地理图像开始有造假风险。这波热潮到底哪些能信？我把B站、知乎、微博、小红书几个平台的实操帖和评论区都翻了一遍，帮你把边界划清楚。
AI现在真能干的部分：重复劳动和数据搬运
先说能信的。视频里实测的4个案例（北京交通图、中国铁路图、疫情热力图、全球航线图），以及评论区的大量真实反馈，指向四类AI已经靠谱的活：
第一，数据获取和整合。AI自动抓取OSM道路数据、分层配色；中国铁路图案例里，所有数据API全挂，AI自己转向，从知识库还原18条高铁坐标。哔哩哔哩这种"找数据、拼数据"的活，AI比人快得多。
第二，格式转换、投影转换、批处理。知乎那篇QGIS-MCP实操就是典型：一句话让Codex把geojson转成4546坐标系，自动叠进QGIS图层列表。qgis-mcp目前提供了118个常用工具，基本功能基本都涵盖了。知乎
第三，跑流程时的容错。视频里疫情热力图案例，AI自己发现了QGIS内存图层保存丢失的Bug，自动修复并导出永久文件。评论区还有位用户的体验很有代表性：第一次用国产模型驱动qgis-mcp跑完GIS规划时觉得惊艳，等一个人一周把部门堆了一个月的GIS规划跑完时，感觉也就那样。知乎从惊艳到常态化，恰恰说明它真的进了工作流。
第四，论文配图的脚本化复刻也开始普及。社区里有成员用Python把论文里的空间分析结果整套复刻出来：1990、2000、2010、2020四期生态系统服务价值分级地图，图例、比例尺、指北针一件不少；同类的LISA空间自相关聚类图也能用同一套流程产出。小红书这类"照着规范重复出图"的活，正是自动化收益最大的地方。
别急着吹的三笔账：社区实测踩过的坑
但收藏数高不代表没有坑。评论区和技术帖里，三个槽点非常集中：
坑一：出图质量是目前最弱的一环。有位用户实测hermes调用GEE算NDVI，重分类轻松搞定，但到QGIS出图环节效果极差，最后改用Matplotlib+Rasterio+GeoPandas组合自己出图。哔哩哔哩也就是说，数据处理交给AI没问题，但"一张能交差的图"——配色、图廓、注记、审美——现阶段还得人来收口。
坑二：环境污染风险。有人担心让agent直接在QGIS这类预封装软件的环境里装库、改依赖，容易把环境搞坏。社区的主流建议是：给AI单独建一个隔离环境全权交给它，或者干脆只让AI写PyQGIS脚本，你在自己的环境里执行。
坑三：成本和网络的隐性门槛。评论区有学生说学校禁止翻墙，希望讲国产软件联动。哔哩哔哩好消息是：腾讯WorkBuddy+QGISMCP的部署教程在B站有几千播放，国产模型通过API接入qgis-mcp或PyQGIS同样可行，不一定要为最贵的海外订阅买单。
另外有句反证必须说：不少实测者的体验轨迹是快速从惊艳归于平淡。AI制图不是魔法，它是把重复劳动的时间成本砍掉，审美判断、坐标系选择、成果合规这些，视频作者自己也明说仍需人工。
四条上手路径，不同人选不同起点
何静的视频把AI驱动QGIS拆成4条路径，结合社区实践，我的建议是：
让AI写PyQGIS脚本（推荐给大多数人）：AI写代码、你执行，环境不污染，出错好排查，有点Python基础就能跑。
Processing工具链：适合批量地理算法场景，配合脚本用。
MCP直连（qgis-mcp）：真正的"聊天式GIS"，QGIS装插件启动服务+客户端配一行，118个工具随叫随到。适合愿意折腾半小时配置、换长期效率的人。
Skill封装：把固定工作流（如"采样点图"“研究区图”）沉淀成可复用skill，重复任务一键出。
其中MCP直连的链路并不神秘：大模型（Codex或Claude Code）通过MCP协议对接本地的qgis-mcp服务，服务再经TCP连到QGIS里常驻的MCP插件，最终调用PyQGIS API操作工程和图层。部署分两部分：先在QGIS里安装插件并启动服务，再在客户端安装mcp server。知乎模型负责下指令，插件负责在QGIS里执行，你在对话框里看结果。
工具清单也帮你整理好了：开源的qgis-mcp（GitHub: nkarasiak/qgis-mcp）、GeoAgent（可切换不同模型的代理层）、QGIS Claude Skill Package、Mapbox MCP Server（查地点、算路线）。国产直连可以看腾讯WorkBuddy，这是一款腾讯开发的AI助手平台，能理解自然语言指令、通过工具调用机制与外部软件交互。哔哩哔哩它的QGISMCP部署教程在B站有几千播放。Esri那边，ArcGIS也上线了AI助手，可以帮助用户探索数据、自动化复杂的地理空间工作流程。小红书走商业路线的可以同步关注。
成本方面也不必急着为最贵的海外订阅买单：评论区有人直言，顶级模型订阅用不起，太烧钱了。哔哩哔哩国产模型通过API接入同样可行，学生党尤其可以先用免费开源路线试水。
对号入座：三类人三种入场方式
学生/零基础：先装免费的QGIS（开源、跨平台、不花钱），从"AI写PyQGIS脚本"开始，跑通一张课程作业图再说，别上来就充昂贵的API额度。
毕设/论文党：采样点图、研究区区位图、流向图这些重复性制图最值得先试，但最终图一定要人工核对——坐标系、图例、比例尺，以及涉密数据的合规，AI不会替你担责。
在职GISer：优先把格式转换、投影转换、批量裁剪、数据清洗交出去；出图环节做"半自动"——AI备料，人定版式。谷歌地球AI生图被撤这件事提醒我们：AI生成的地理图像天然带"造假"风险，要交审、要发表的成果，数据来源必须可追溯。
接下来值得盯的三个信号
GeoLibre v2.3.0已支持浏览器端空间SQL、700多个Whitebox分析工具和自然语言GIS助手，开源"vibe GIS"能走多远，值得持续看。微博
MCP无状态化修订后，GIS类MCP Server的接入门槛还会降，国内外团队都在快速跟进。
数据侧有两个动向：8月刚发布的GEBCO2026全球海底DEM，有实测提醒它的强晕渲会放大规则条纹，陆地精细分析建议换其他DEM。哔哩哔哩另外，GMT中文社区整理发布的CN-faults中国断层矢量数据集，补齐了以往零散断层数据的短板，构造地质制图和地震危险性分析可以直接引用，缩到城市尺度还能支撑城市活断层探测——北京地区的南口—孙河断裂、良乡—顺义断裂这类命名断裂都能直接调出来用。知乎
最后说句实在的：这波AI制图热潮，既不是"制图门槛被击穿"的狂欢，也不是泡沫。重复劳动的自动化已经真实发生，审美和专业判断暂时还外包不出去。5000多个收藏说明大家真正想要的是"怎么用"，而不是看热闹。想入场的，先把QGIS装上用一条流程试试水，再决定要不要为API掏钱——这个顺序，不会吃亏。
