我手上有一张照片：手机拍的，EXIF 已经被抹掉。画面里是收割完的稻田、一个白色烤炉、远处一条长长的高架，右边一座陡山。没有招牌，没有车牌，没有一个字。
最后的定位结果：广东清远，广清城际高架西侧的一块稻田边，误差约 2 米。全程约 72 分钟，其中一半时间在等计算。
这篇讲这个过程是怎么做的。整套方法我做成了一个开源的 Agent Skill，叫 geo-sleuth（MIT 协议），装进 Claude Code、Codex、Cursor 等 agent 就能用：github.com/Oldcircle/g…
为什么不直接让大模型看图猜
现在的多模态模型看这张图，大概能说出「华南农村」。再往下到具体哪个村、哪块田，它只能猜，而且猜错了也不会告诉你。
所以我把工作拆成两部分：
- 模型负责读画面、提线索、提出假设；
- 搜索、打分、排序全部交给脚本，用真实的地理数据去比对：OpenStreetMap 的几何数据、高程数据、卫星图、街景。
每个结论都必须指向本次跑过的命令和它产出的文件。人口多、名气大都不算证据。
下面按步骤走一遍。
第一步：读图，先缩到「华南」
画面里能读出的东西：
- 高架上立着一排杆子，是接触网支柱，说明这是电气化铁路；
- 桥墩在画面里左边稀、右边密。高铁高架常见的跨距是 32 米，按 32 米算，左段离机位约 0.5 公里，右段在 1 公里以外；
- 右边的山大约在 3 公里外；
- 稻子已经收割，但草还是绿的，说明还没下过霜。
这一步能把范围缩到华南，但这是判断，不是证明。后面每一步都要用数据核对。
第二步：区域扫描，2.7 万段铁路桥筛到 171 处
从 OpenStreetMap 取出北纬 18–29°、东经 104–122.5° 范围内所有的铁路桥，一共 27,335 段，去掉不通电的还剩 25,402 段。每 400 米采一个点，用高程数据算出每个点周围 360° 的地平线，然后按照片里看到的情况筛：
- 附近地势平坦；
- 几公里内有明显的山峰；
- 旁边的地平线是平的（照片左半边的天际线很低）。
第一次筛得太严，只剩 98 个点，答案被漏掉了。放宽条件后剩 715 个点，合并成 171 处候选。
第三步：天际线拟合，算了 14,372 个机位
在每处候选周围摆一圈候选机位，用高程数据渲染每个机位看出去的山脊线，和照片里的山脊线比对打分，一共算了 14,372 个机位。
问题是前 20 名的得分差不到 0.1°，分不开。于是加了一条从照片里读出的约束：桥必须左近右远。筛完剩 22 个。
第四步：把山脊线画回照片，逐个核对
得分只是一个数字，最后要把前三名的山脊线画回照片上看：
- 第 1 名福州：得分最高，是因为有一处凸起正好藏在烤炉后面，对不上的部分被挡住了，没被扣分；
- 第 3 名惠州：照片里平坦的地方，它的山脊线却有坡度；
- 第 2 名清远：从山脚到画面右边缘都贴合。
最后留下清远。排第一的不一定对，得分要画回画面核对。
第五步：数桥墩，从 300 米缩到一个点
照片里能数出 17 根桥墩。每根桥墩对应一条从机位出发的方位线。桥墩本来是等间距的，所以这 17 条线打在铁路线上的交点，间距也必须均匀，只有一个机位能满足。
结合天际线的结果，先把范围缩到铁路边约 300 米的一段，再缩到一个点，误差约 2 米。反算出来的桥墩间距是 32.0 米，和第一步的假设一致。
最后生成的证据图，标出了机位、视野范围、广清城际高架和北峡山：
这套流程是怎么组织的
上面五步里，模型真正做判断的地方不多。整个 skill 分三层：
| 层 | 谁做 | 做什么 |
|---|---|---|
| 决策 | 脚本 board.py（候选盘） | 记录所有候选、线索和证据，算排名，给出下一步扫哪里 |
| 感知 | 脚本先排序 | OCR、查表、以图搜图、卫星图打分（CLIP）、街景比对（DINOv2 + SIFT）、天际线渲染 |
| 判断 | 模型 | 读画面、提线索、在排好的前几名里挑 |
有几条规则写在代码里强制执行，不靠模型自觉：
- 没有「删除候选」的操作。排除只有一个入口，而且必须附上算出来的文件；
- 推测出来的线索只能降低候选的权重，不能直接排除；
- 排除的范围不能超过证据覆盖的范围。在一条路上只看过一个点，不能把整条路排除。
最后这条是测试里同样的错犯了两次之后加的：只看了路上一个点就排除了整条路，结果答案就在这条路的另一段。
脚本一共二十个，一个脚本只做一件事，比如：
sun.py：用太阳和影子推纬度带、拍摄时刻、街道走向；osm.py：OpenStreetMap 要素共现查询，比如找「几百米内同时有铁路桥和水库」的地方；terrain.py：用高程数据渲染山体视图、叠天际线、批量打分；pose.py：用多个已知点反解机位的经纬度、高度和朝向；match.py：把候选街景和照片比对排序。
针对国内做了适配
- 车牌前缀、固话区号、行政区划查表；
- 百度识图（包括相似图片，会拼成带编号的图片墙方便翻看）；
- 百度全景。
局限
- 适合画面里有结构的照片：铁路、山脊、河道、有特点的建筑。纯室内、只有天空和植被的照片很难；
- 以图搜图会把照片上传给百度和 Yandex，隐私照片请先裁剪、打码；
- 一题要跑几十分钟到一个多小时，大半时间在等计算。
怎么用
需要 Python 3.10+、uv，以及一个能运行 shell 命令的 agent。
npx skills add Oldcircle/geo-sleuth
装好后把照片交给 agent，说一句「找出这张照片是在哪拍的」。
欢迎拿你自己拍过、知道确切位置的照片来试，定对定错都欢迎在 issue 里告诉我。
