用 GPT-6 Astra 和 ChatGPT Work 生成跑步路线

Generating running routes with GPT-6 Astra and ChatGPT Work — simonwillison.net · 23 小时前 · 🤖 AI / ML

一个智能体能否在无人干预的情况下，端到端完成同时涉及地理编码、开放地图数据查询、带约束的路径搜索与标准地理文件生成的真实任务？Simon Willison 用一个极简提示词做了实验：我住在某个地址，请用 OSM 数据为我规划出从我家出发、最终回到我家的 5 公里和 10 公里跑步路线。他把这个任务交给 ChatGPT Work 中的 GPT-6 Astra (Max) 模式，agent 自主运行了 27 分钟，产出的正是他所要求的东西——一个内嵌在界面里的路线可视化，以及可下载的 GPX 文件和 GeoJSON 文件。当被追问路线究竟是怎么生成的时候，agent 回答：先用 Nominatim 把地址解析为坐标，再用 Overpass 下载本地 OpenStreetMap 数据。这说明它不是凭空编造一条看起来合理的路线，而是真的调用了地理编码服务与 OSM 数据接口。技术上看，这个任务的难点并不在于渲染，而在于约束：5 公里与 10 公里两条路线都必须是闭合环线，这比求一次最短路径难得多，需要在路网图上做带目标里程约束的环路搜索，反复生成候选、计算总长度、淘汰重复路段过多的方案，直到结果落在目标距离附近，因此 27 分钟的运行时长更像是多轮工具调用与自我校验的耗时，而不是一次生成的延迟。GPX 与 GeoJSON 的产出还意味着结果是可被外部工具消费和验证的结构化工件：GPX 能导入运动手表或 Strava 之类的应用，GeoJSON 能导入 QGIS 等 GIS 软件，任何人都可以独立检查几何形状、里程与闭合性。作者的核心观点是：开放地理数据加上能够长时间自主调用工具的智能体，已经把过去需要写脚本、拼 API、处理文件格式的多步工作流压缩成一条自然语言指令，而 27 分钟这个数字本身也是信号——真正有价值的不是秒级生成，而是 agent 愿意并且能够在几十次工具调用中把一个可验证的交付物做出来。

核心论点

• Simon Willison 给出的提示词只有一句话：他住在某个地址，请用 OSM 数据规划出从他家出发并回到他家的 5 公里和 10 公里跑步环线；他把任务交给 ChatGPT Work 中的 GPT-6 Astra (Max)，agent 自主运行了 27 分钟，最终交付了三样东西——内嵌的路线可视化、可下载的 GPX 文件以及 GeoJSON 文件，也就是说它在一次运行里同时完成了路径搜索、地图渲染和两种标准地理数据格式的序列化。
• 被问及实现方式时，agent 自述的流程是：用 Nominatim 把住址解析成坐标，再用 Overpass 下载本地 OpenStreetMap 数据；Nominatim 负责地理编码，Overpass API 负责按查询语句从 OSM 主库中抽取本地路网，这两步直接决定后续路径搜索的输入质量——如果选错路网图层，例如把机动车道、私有道路或不可通行的路径纳入候选集合，生成的路线在实际跑步时就无法执行，而 agent 自主做出这一系列工具选择，正是长时运行智能体的核心能力体现。
• 5 公里与 10 公里两条路线都要求从家出发、回到家的闭合环线，这在算法上属于带距离约束的环路搜索，而不是一次最短路计算：需要从路网图中找出总长度接近目标里程、尽量少重复路段、并且符合跑步通行条件的环线，因此 27 分钟的耗时反映的是多轮候选生成与距离校验的迭代过程，而不是单次推理延迟；把目标里程写进提示词，本质上是给 agent 布置了一个带数值约束的优化问题。
• GPX 与 GeoJSON 的产出让这个任务具备可外部验证性：GPX 是运动手表与 Strava 等应用通用的轨迹格式，GeoJSON 则可以直接导入 QGIS 等 GIS 工具或在前端地图库中渲染，任何人都能用独立工具检查路线的几何、里程与闭合性；也正因为它的正确性不依赖主观判断，而依赖可测量的几何与里程指标，这类任务非常适合作为长时运行 agent 的评测用例。

💡 为什么值得读: 它用一条提示词、27 分钟运行和一个可下载的 GPX/GeoJSON 交付物，具体展示了长时运行智能体如何把地理编码、OSM 路网查询与文件生成串成完整工作流，是观察 agent 能力边界与工具编排真实水平的难得样本。

🏷️ LLM, agents, OpenStreetMap, routing

---