在收到一句简单的自然语言指令后，运行 GPT-6 Astra Max 模型的 ChatGPT Work 智能体持续自主计算了 27 分钟。它最终为用户交付了一条 5 公里与一条 10 公里的完整闭环跑步路线，同时输出了嵌入式交互地图、适配各类运动手表的 GPX 文件以及标准 GeoJSON 数据集。
表面看这只是大模型处理日常生活需求的偶发尝试，本质上它展现了智能体（Agent）从自然语言理解、外部地理数据获取、本地拓扑算法运算到多格式标准资产交付的完整工程化闭环。这一实战案例由知名技术博主 Simon Willison 于 2026 年 9 月 12 日公开复盘，为当前的 vibe coding 与智能体工作流设计提供了极具参考价值的落地范式。
工具链深度拆解，从自然语言到 GPX 文件的四个执行阶段
整个任务没有依赖任何预设的商业地图规划插件，而是由智能体在沙盒环境中自主编写代码调取开放工具完成。当用户给出“我住在某地址，请根据 OpenStreetMap 数据帮我规划 5K 和 10K 从家出发并返回的跑步路线”时，智能体将其拆解为了四个明确的执行阶段。
第一阶段：自然语言地址的地理编码解析（Nominatim） 智能体首先调用 OpenStreetMap（简称 OSM，全球开源协同地图数据库）的官方地理编码服务 Nominatim。该服务的作用是将人类可读的门牌号或街道文本，精准转换为对应的纬度与经度坐标。这是后续所有空间距离计算的物理锚点。
第二阶段：区域路网与步道数据的结构化抓取（Overpass API） 确定坐标锚点后，智能体通过 Overpass API（OSM 的专用空间数据查询接口）向服务器请求特定边界范围（Bounding Box）内的地理矢量数据。智能体过滤了机动车专用道，专门提取了允许行人通行的公路（highway）、人行步道（footway）、林间小径（trail）等元素，将整个区域转化为原始的空间矢量集合。
第三阶段：本地拓扑图建模与闭环路径算法计算 智能体在本地 Python 沙盒内利用图论库将获取到的路网重构成连通图。寻找“起点与终点重合且满足特定里程”的路径是一个经典的图搜索问题。智能体在本地运行寻路算法，在真实路网拓扑中迭代搜索，分别筛选出总长度精确收敛在 5 公里与 10 公里的非重复闭环路线。
第四阶段：多模态标准资产生成与可视化渲染 计算完成后，智能体将经纬度序列序列化为两种工业标准格式：供运动手表和跑步 App（如 Strava、Garmin）直接导入导航的 GPX 轨迹文件，以及供地理信息系统读取的 GeoJSON 文件。智能体还调用 ChatGPT 内置的 visualize skill（可视化技能），生成了一个单文件自包含 HTML（例如 /workspace/el-granada-5k-share.html），利用 D3.js 将矢量路线渲染在交互式画布上供用户即时检查。
交付物即代码，可复用的自然语言提示词工程与实战模板
这一工作流的价值在于高复用性。无论是日常通勤避堵、骑行拉练、周末越野跑，还是特定区域的无障碍轮椅路线规划，均可复用这套逻辑。
在实际向智能体下发指令时，如果仅说“给我一条路线”，模型往往只会凭概率生成一段虚构的文字描述。为了迫使智能体启动深层工具链并进行精准计算，必须在提示词中显式约束数据源、算法逻辑与交付物格式。
以下是经过工程验证的标准提示词模板：
我住在 [详细街道与门牌地址]。
请严格基于 OpenStreetMap（OSM）的真实路网数据，为我规划一条 [5K / 10K / 自定义里程] 的 [跑步 / 骑行 / 徒步] 路线。
执行要求：
1. 使用 Nominatim 将我的地址解析为精准经纬度起点。
2. 通过 Overpass API 下载周边可行进路网数据，排除机动车专用道。
3. 在本地建立拓扑图，计算一条从起点出发、沿途不走重复路并最终返回起点的闭环路线。
4. 交付物要求：
- 给出一条可以在界面中交互查看的可视化地图；
- 生成并提供可供运动设备导入的标准 .gpx 文件下载链接；
- 提供包含完整几何特征的 .geojson 数据文件；
- 简要列出沿途关键拐弯点与路段名称。
当模型接收到此类包含输入约束、计算逻辑与输出规范的结构化提示词时，会主动放弃大语言模型擅长的文本编造，转而调用 Python 环境编写代码自举求解。
黑盒执行与上下文压缩，智能体开发必须直面的透明度硬伤
在 Simon Willison 的这次实际测试中，虽然最终交付物完全符合预期，但整个执行过程暴露了当前顶层智能体产品的若干系统性缺陷。
执行过程黑盒化引发审计困难 ChatGPT Work 的产品界面在执行长任务时，默认隐藏了中间生成的 Python 脚本与网络请求细节。27 分钟的运行过程对用户而言接近纯黑盒。对于工程开发人员而言，无法实时观察中间拓扑图的计算收敛情况，无法确认模型是否在低效死循环中浪费算力。
上下文压缩（Compaction）导致代码资产永久丢失 当用户在任务完成后追问智能体“请把刚才生成路线所用的完整 Python 脚本发给我”时，由于长对话触发了系统的上下文压缩机制，底层的原始交互日志与代码片段已经被丢弃，智能体无法再还原当时的执行源码。在构建面向生产环境的智能体系统时，必须在机制层面保留压缩前的执行快照，允许模型通过专有工具调取历史工作区资产。
可视化组件的内容安全策略（CSP）静默拦截 智能体通过 visualize skill 渲染动态 HTML 时，其运行环境受到严格的内容安全策略限制。生成的单文件 HTML 仅被允许从以下外部白名单 CDN 加载依赖资源：
cdnjs.cloudflare.comesm.shcdn.jsdelivr.netunpkg.comfonts.googleapis.comfonts.gstatic.comfonts.bunny.net
如果智能体在脚本中尝试引入白名单之外的第三方瓦片地图底图或开源库，浏览器会直接静默拦截并导致渲染空白，且不会在交互界面给出明确的错误原因。
底层模型路由配置的不确定性 在多模型协作场景下，底层服务商的差异会直接影响智能体的工具调用能力。Simon Willison 在 2026 年 9 月 11 日关于 OpenRouter 的技术分析中明确指出，不同云服务商托管同名模型时，其底层推理引擎、视觉多模态支持度以及思考参数（reasoning effort）解析机制存在显著分歧。在自建类似路线规划的智能体工作流时，应当通过固定路由参数锁定特定基础设施提供商，防止因后端切换引发工具解析失败。
全流程执行缺陷对照，智能体闭环规划的局限与代价
为了直观展现基于大模型智能体进行地理空间规划的真实成本，下表梳理了各阶段暴露的核心问题与衍生缺陷：
| 阶段 | 核心问题 | 留下的硬伤 |
|---|---|---|
| 地理编码与数据获取 | Overpass API 查询语法易受大模型幻觉影响，易拉取冗余图层 | 查询超时风险高，对未在 OSM 标注的人行道识别能力弱 |
| 本地图论路径计算 | 缺乏专门 GIS 引擎加速，纯 Python 寻路算法效率极低 | 耗时高达 27 分钟，算力成本远超传统路径规划软件 |
| 资产交付与可视化 | 平台执行环境缺乏透明度，CSP 策略阻断非白名单地图源 | 用户无法审计算法逻辑，无法加载高清第三方卫星图底图 |
从运行效率来看，传统的成熟地图导航算法计算一条 5 公里闭环路线仅需数十毫秒，而通用智能体在沙盒中自编写代码完成同样任务消耗了近半小时。这种算力浪费换来的是极高的灵活性：它无需开发者预先编写任何业务胶水代码，仅凭一句日常语言指令即可自适应调用多种底层工具。
综合判断与澄清
GPT-6 Astra 在跑步路线规划上的表现，绝非证明大模型可以取代专业 GIS 引擎与导航软件，而是证明了通用智能体具备根据非结构化目标、自主串联冷门专业 API 并交付工业级数据资产的能力。
传统观念常常将大语言模型误读为一个只能输出文本回答的对话框。本次实践清楚表明：智能体是一个能够自主编写代码、调度网络基础设施、操作几何图论算法并生成物理设备可用文件的数字操作员。它输出的核心价值不是语言，而是通过代码计算沉淀下来的标准工程文件。
尚未解决的工程问题
当智能体处理这类耗时超过 20 分钟的长程计算任务时，系统的断点续传与过程监控机制依然处于真空状态。如果计算在第 25 分钟因为沙盒网络波动中断，现有的智能体框架往往只能从头重试，缺乏像传统分布式计算那样的状态机持久化方案。如何在长周期自主运行中实现计算状态暂存与可视化进度回传，是目前智能体工程落地中亟待攻克的瓶颈。
引用来源
- Simon Willison's Weblog. Generating running routes with GPT-6 Astra and ChatGPT Work. 2026-09-12. https://simonwillison.net/2026/Sep/12/running-routes/
- Simon Willison's Weblog. So you want to use OpenRouter? 2026-09-11. https://simonwillison.net/2026/Sep/11/openrouter/
- OpenStreetMap Wiki. Nominatim Geocoding Service Architecture and Endpoint Guidelines. 2026-08-28. https://wiki.openstreetmap.org/wiki/Nominatim
- Overpass API Documentation. Overpass QL Spatial Query Optimization for Road Networks. 2026-08-30. https://wiki.openstreetmap.org/wiki/Overpass_API
- OpenAI Research & Product Updates. ChatGPT Work Execution Environment and Sandbox Security Model. 2026-09-05. https://openai.com/index/chatgpt-work-agent-runtime/
