---

快速开始

npx skills add Oldcircle/geo-sleuth

按提示勾选你用的 agent。然后把一张照片交给你的 agent，说：

找出这张照片是在哪拍的

这就是全部的交互方式。你的 agent 会读取 SKILL.md、运行脚本，然后给出机位、镜头朝向和一张卫星证据图。想自己复制文件夹？见安装。

为什么是 geo-sleuth

• 一张照片，一句话。 把照片交给你的 agent，说一句这张照片是在哪拍的。你会得到机位、镜头朝向和一张卫星证据图。
• 没有文字线索也能查。 没有招牌、没有车牌、没有地标：OpenStreetMap 的几何数据、高程数据、卫星图和街景自己就能把搜索推进下去。
• 靠几何，不靠猜。 桥墩间距变成距离尺，阴影变成方位角，山脊线变成能和高程数据比对的指纹。
• 每个说法都指向一个文件。 结论必须说出本次会话里跑过的命令、以及它产出的文件。人口和名气都不算证据。
• 脚本排序，模型判断。 二十个各司一职的脚本负责搜索、打分和排序；模型只在排名靠前的几个里挑。
• 一个 skill，所有 agent 通用。 这是一个标准的 Agent Skill——SKILL.md 加上普通的 Python 脚本——所以同一个文件夹在 Claude Code、Codex、Cursor、Gemini CLI、OpenCode 和 GitHub Copilot 里都能运行。
• 答案自带误差半径。 坐标 ± 半径、镜头朝向、一张证据图和分档的置信度。

案例

这几张照片都没有 GPS 信息。每个案例写了 skill 从照片里读到什么、怎么一步步缩小范围、结果离确认的机位有多远。

1 · 稻田与高架 铁路桥 × 天际线 × 数桥墩。	2 · 沙漠天际线 高压线 × 天际线 × 手机歪了 1°。	3 · 樱花街 行道树开放数据 × 影子 × 街景。
±2 m 广东清远	100 m 以内 青海大柴旦	3 m 加拿大温哥华

1. 稻田与高架

一张手机照片，EXIF 信息已被抹除：收割完的稻田边一个白色烤炉，远处一条长长的高架，右边一座陡峭的山。画面里没有一个字。给装了这个 skill 的 agent 发一条消息，它就给出了机位和镜头朝向。

照片 → 27,335 → 171 → 14,372 → 22 → 3 → 1 → ±2 m

步骤	它做了什么	剩余候选
读图	高架上的杆子是接触网支柱，说明是电气化铁路。把桥墩间距当尺子用（跨距 32 米，假设）：左段距拍摄点约 0.5 公里，右段超过 1 公里。陡峭的山约 3 公里外。稻子已经收割，但草还是绿的，说明还没下霜。	华南，是判断，不是证明
区域扫描	从 OpenStreetMap 取出该区域内所有铁路桥：27,335 段。每 400 米采样一个点，用高程数据计算每个点 360° 的地平线。保留附近地势平坦、几公里内有明显山峰、且旁边地平线平坦的点。	171 处
天际线拟合	在每个候选点周围布置候选机位，渲染每个机位看到的山脊线：14,372 个机位。前 20 名彼此相差不到 0.1°，于是加了一条约束：桥必须左近右远。	22
叠图检查	把前三名的山脊线画回照片核对。第一名（福州）有一处凸起正好藏在烤炉后面，所以得分高；第三名（惠州）在照片平坦的地方却有坡度；第二名（清远）从山脚到画面边缘都贴合。	1
数桥墩	照片里的 17 根桥墩变成从机位出发的 17 条方位线。它们打在铁路线上的交点必须间距均匀。结合天际线结果：先收窄到约 300 米长的一段，再收窄到一个点。	±2 m

本次实战的更多图

<sub>区域扫描：区域内所有铁路桥（灰色），通过地平线检验的候选点（橙色）。


数桥墩：17 根桥墩的方位线与铁路线相交；只有一个机位能让间距均匀。

整次运行耗时约 72 分钟，其中大约一半时间在等计算。</sub>

2. 沙漠天际线差了一度

前景是一道沙丘，后面一排深色裸山，山脚有几座电塔。画面里没有字、路和房子，以图搜图只搜到一些泛泛的西北沙漠照片。

照片 → 1,537 处 → 卡在 10 px 上下 → 解出 1° 歪斜 → 1 处 → 一道沙脊