三张图讲清高质量数据集、知识库、智能体，打造自然资源和规划“最强大脑”
依托人工智能提升自然资源和规划“数智化”管理水平，写进了很多地方2026年自然资源和规划工作重点以及十五五规划。但关于这项工作的前提和基础，构建高质量数据集、知识库、智能体目前很多地方还处于起步阶段。
现实之困：前两天和一位朋友聊天，他吐槽：手里握着全市的“三调”数据、控规图斑、卫星影像，数据量大得吓人，可每次遇到领导问“这块地能不能调规”，还是得翻法规、查案例、做分析，折腾好几天，最后还可能漏掉关键条款。
问题出在哪儿？数据是现成的，但知识是散的，决策还是靠人。这就像厨房里堆满了顶级食材，却没有菜谱，也没有会做菜的厨师——再好的材料也变不出一桌宴席。
今天，和我的AI助手尝试将自然资源和规划领域的「数据集」「知识库」「智能体」这三个硬核概念掰开揉碎，再聊聊自然资源和规划领域怎么搭好自己的高质量“数据集、知识库、智能体”和“数智化”应用场景。
一：概念区分
1. 数据集
- 定义：原始、结构化的事实集合。它是未经加工的、客观存在的记录。
2. 知识库
- 定义：经过提炼、组织和关联的经验与规则集合。它是数据集的上层建筑，包含了上下文、逻辑和约束。
- 例子：
3. 智能体
- 定义：能够感知环境、进行决策并执行动作的实体。它利用数据集和知识库，像人一样去完成特定任务。
二：如何构建自然资源和规划领域的高质量智能体系
构建这三者是一个递进的过程：先夯实数据底座，再提炼知识规则，最后训练智能代理。
1. 构建高质量的数据集（夯实基础）
- 痛点：数据多，但标准乱、更新慢、没法用。
- 关键动作：数据治理
（1）多源融合：将测绘数据、遥感数据、调查监测数据、规划审批数据、社会经济数据进行整合。打通“一张图”核心数据库。别让耕地在耕地图层，规划在规划图层，互相看不见。
（2）标准化：严格遵循《国土空间规划用地用海分类指南》、《基础地理信息标准》等，确保字段名称、代码、坐标系的统一。不然以后智能体读数据就像看天书。
（3）时空化：给每条数据打上时间戳。现状、规划、管理数据都是动态的（如三调数据、变更调查），需要建立数据的时序谱系。去年的耕地今年可能变了，智能体必须知道“哪个时间点的数据”。
（4）精度控制：确保矢量数据的拓扑正确（无重叠、无缝隙），影像数据的分辨率满足业务需求，否则智能体算面积会出错。
一句话口诀：数据干净了，上层才能聪明。在自然资源领域，数据集的质量直接影响上层智能的可靠性。
2. 构建高质量的知识库（注入灵魂）
痛点：法规文本堆成山，专家经验都在人脑子里，人一走，经验就带走。这是目前从“数字化”迈向“智能化”的关键瓶颈，需要将隐性经验显性化。
- 关键动作：知识工程
3. 构建高质量的智能体（实现价值）
痛点：想做的东西太宏大，结果啥也做不成。智能体是面向用户的“执行官”。在自然资源领域，不建议做一个万能智能体，建议做垂直领域的专用智能体。
关键动作：Agentic Workflow（智能体工作流设计）
（1）先定岗明确智能体的职责。例如：智能审批辅助员、公众政策问答员、违法用地预警员。比如先做一个“用地预审合规性问答助手”，别一上来就做“全域全要素全能手”。
（2）给工具智能体需要学会调用GIS工具（比如ArcPy、QGIS或GeoServer的接口）进行空间分析（如缓冲区分析、叠加分析）。调用AI模型（比如遥感识别）、调用数据库。就像给大厨配好刀和灶。
（3）调模型调用耕地识别模型（视觉模型）、规划方案生成模型（大语言模型）、指标计算模型（传统算法）。
（4）能感知给智能体装上“眼睛”。它能接收用户上传的文件（CAD、图片、PDF），也能通过API接口查询实时的国土空间基础信息平台数据。
（5）会思考设计思维链（Chain of Thought），比如选址评估的思考链：选址评估 = 合法性审查（知识库） -> 适宜性评价（数据集+模型） -> 经济性测算（数据集）。
（6）出报告利用大模型能力，将数据结果和分析结论生成符合公文规范的《建设项目用地预审与规划选址论证报告》。最后生成的报告要符合公文规范，有依据、有结论、有建议，别给一堆代码或生硬的表格。
（7）善推理
基于知识库的推理：当接到任务“这块地能盖房子吗？”，智能体首先在知识库中搜索相关法律法规，然后调用工具去数据集里查询这块地的“三区三线”标签。
一句话口诀：智能体用起来，数据知识才活起来。
三、一个真实场景：老王的地，到底能不能盖物流园？
老王是某物流公司老板，看中城边一块地，想建仓库。
以前：
- 查规划图（不知道在哪找最新版）
- 翻法规（不确定有没有新政策）
- 咨询审批部门（排队等回复）
- 找人做分析（耗时一周，花费上万）
现在（假设有了“选址分析智能体”）：
- 老王在手机上传红线坐标，语音输入：“这块地能建物流园吗？”
- 智能体自动查询数据集：这块地现状是耕地，规划是预留城乡建设用地。
- 查询知识库：耕地占补平衡政策、规划用途管制规则。
- 结合两者判断：可以，但需落实耕地占补平衡，且容积率需≤2.0。
- 5分钟后，智能体生成一份《选址初步意见》，附带法律依据和下一步建议。
老王当天就能拿着报告去决策。效率翻倍，决策更准。
总结：三者的协同关系
- 数据集回答 “是什么”（现状是耕地还是林地？）；
- 知识库回答 “应该是什么”（按照法律，耕地应该被保护，林地采伐需要许可证）；
- 智能体通过工具去匹配“是什么”和“应该是什么”，并输出“做什么”（发现地块是耕地且正在施工，也没有合法的耕地占用审批手续，判定为疑似违法用地，触发预警工单）。
构建建议路径：
建议先从数据集的标准化入手，然后梳理高频业务的知识库（如耕地保护、用地审批），最后在具体的业务场景中孵化智能体（如先做一个“选址合规性问答助手”），由点带面，逐步推进。
写在最后
很多同行说“数字化转型太难”，其实难的不是技术，而是把业务逻辑理清楚，把经验沉淀下来，再一步步用技术实现。
下一次，当领导问“这块地能不能用”，或者群众问“我家能翻建吗”，别急着翻图纸、查法规，想一想：
- 我的数据集够全吗？
- 我的知识库够细吗？
- 我能训练一个智能体来替我干这些重复活吗？
END——关于我们
