27 分钟的长程自主运行，最终交付了一条严格从家门口出发并回到原点的 5 公里路跑路线。开源技术专家 Simon Willison 在 2026 年 9 月 12 日展示的这个实验，表面看是跑步爱好者的极客路线探索，本质是 AI 智能体（Agent，具备自主调用外部工具与编写代码解决长链条任务的 AI 程序）从简单的文字生成迈向物理世界长程自治计算的关键转折。
整个过程中，人类没有编写一行代码，只提供了一个门牌号地址与里程需求，智能体便在云端沙盒中自主完成了地理编码、路网抓取、图拓扑搜索、地图可视化与运动文件导出的全套流水线。这种无需人工干预的自主解题能力，为日常复杂地理任务的自动化处理树立了新的参考标杆。
极简提示词背后的长链条工作流拆解
Simon Willison 在 ChatGPT Work 环境下搭载 GPT-6 Astra（Max 推理模式），输入了一条极其简短的自然语言指令：“我住在 [某地址]，帮我规划从我家出发并闭环回到家门口的 5 公里和 10 公里跑步路线，使用 OpenStreetMap 数据。” 随后，智能体进入了长达 27 分钟的后台自主运算。
I live at <my address>. Figure out 5K and 10K running routes from me that loop from my house. Use OSM data.
根据智能体在任务完成后的自述，整个后台执行链路被精准拆解为四个连续环节：
- 地理编码解析：智能体首先调用 Nominatim（OpenStreetMap 的地理编码服务，负责将自然语言门牌地址转换为精确的经纬度坐标），精确定位了起终点坐标。
- 路网数据批量抓取：智能体利用 Overpass API（OpenStreetMap 的专用数据检索接口，允许按地理围栏查询特定类型的道路与设施），将目标区域内的居住区道路、人行道与林间步道矢量数据完整下载至沙盒环境。
- 本地图算法闭环搜索：智能体在后台编写并运行 Python 脚本，将下载的地理矢量数据转化为拓扑网络，以坐标原点为基准计算满足目标距离且避免原路折返的环线路径。
- 前端交互与文件输出：智能体调用平台的
visualize技能，通过 D3.js（一款用于生成动态数据图表的前端 JavaScript 库）生成内嵌交互式地图，并打包生成可供运动手表读取的 GPX 与 GeoJSON 轨迹文件。
智能体在此类长链条任务中的价值，不在于直接背诵地理常识，而在于能够将模糊意图拆解为标准 API 请求并在沙盒中纠错重试。 这种自驱式的多步骤闭环，证明了大模型在拥有开放网络访问和代码沙盒后展现出的工程自治力。
为什么普通地图软件做不好家门口闭环
日常跑步爱好者最常遇到的痛点，是主流导航软件与跑步平台无法灵活满足“从家门口出发的定制闭环需求”。高德地图、Google Maps 等大众导航工具的设计核心是点对点最短通勤，其路线规划天然排斥闭环回转；而多数运动 App 的路线库往往依赖其他跑者的历史上传，当用户身处非热门商圈或郊区住宅时，很难找到恰好 5 公里或 10 公里且完全不走回头路的推荐路线。
闭环路跑路线的生成本质上是一个受约束的图论搜索问题。一个合格的路跑环线必须同时满足四个苛刻条件：
- 起点与终点在空间上完全重合。
- 全程总里程与目标距离（如 5.0 公里）的误差控制在极小范围内。
- 尽可能避免在同一条街道上原路往返，保证路线具备探索趣味。
- 自动避开机动车主干道，优先选择具备步行属性的辅路或步道。
以往要完成这一计算，用户需要具备 GIS（地理信息系统，用于采集、存储和分析地理空间数据的系统）专业知识，自行配置路由引擎并调整路网权重。大模型智能体打破了这一技术壁垒，它把复杂的算法编写与参数调优隐藏在自然语言交互之下。 智能体在沙盒中自主解析 OSM 中的 highway=residential（住宅区道路）与 highway=footway（人行步道）属性，自动淘汰高危险等级的干道，从而完成了高质量的闭环设计。
智能体从规划到导出的全流程实操指南
要在实际生活中复现这套工作流，需要确保所使用的 AI 环境具备外部网络请求与代码执行能力。OpenAI 现阶段的 ChatGPT Work 具备开放网络沙盒，支持直接向公共开放接口发起请求。
步骤一：构建结构化规划提示词
尽管单句提示词已经能够触发执行，但在实际复现时，补充路况偏好与输出格式约束可以显著提高成功率并减少无效等待：
你是一个专业地理信息与运动路线规划智能体。
我的出发地址是：[填写你的详细地址/坐标]。
请严格执行以下任务：
1. 使用 Nominatim 将上述地址转换为起终点经纬度。
2. 使用 Overpass API 下载周边 3 公里范围内的 OpenStreetMap 路网数据，优先保留适合跑步的人行道（footway）、居住区道路（residential）和绿道（path），过滤掉机动车主干道（primary/motorway）。
3. 编写并运行 Python 算法，计算出一条从该地址出发、总长度严格在 5.0 ± 0.3 公里之间且尽量不折返的闭环跑步路线。
4. 提供基于 D3.js 或 Leaflet 的交互式地图预览，并提供标准的 .gpx 和 .geojson 轨迹文件下载。
步骤二：获取轨迹并导入智能手表
任务执行完成后，智能体会在界面中生成下载链接。用户获取 .gpx（全球定位系统数据通用交换格式）文件后，可按如下方式同步至穿戴设备：
- Garmin 手表：登录 Garmin Connect 网页端，进入“训练与规划”下的“路线”页面，点击导入 GPX 文件并发送至手腕设备。
- Apple Watch / 手机端：使用 Workoutdoors 或 Footpath 等应用直接导入该 GPX 轨迹，即可开启带导航提示的户外路跑。
- 高驰 COROS / 颂拓 Suunto：在官方手机 App 的路线管理中直接打开或分享该 GPX 文件，一键同步至手表进行轨迹导航。
智能体演化阶段与技术瓶颈对比
从单纯的文本问答到拥有自主行为的长程智能体，AI 解决物理空间任务的模式经历了三代演进。下表梳理了各个阶段的核心能力与遗留痛点：
| 阶段 | 核心问题 | 留下的硬伤 |
|---|---|---|
| 第一代：传统专业 GIS 与地图应用 | 依赖用户手工选点或固定路线库匹配，无法理解自然语言意图，非热门区域缺乏个性化闭环支持 | 无法灵活按意图自定义闭环距离，普通用户操作门槛极高，点对点算法难以直接生成无重复环线 |
| 第二代：大模型纯文本生成（无工具链） | 模型仅凭内部参数记忆生成地名列表，无法获取实时精确路网坐标 | 产生大量地理幻觉，生成的路名可能不存在连通性，无法输出可供手表导航的有效坐标轨迹 |
| 第三代：长程自主智能体（代码沙盒+外部数据） | 模型自主调用 Nominatim 与 Overpass API，在沙盒中编写图算法并自我验证输出 | 执行过程完全黑盒化，长会话存在上下文压缩风险，对非结构化真实路况缺乏物理感知 |
上下文压缩与透明度倒退的工程硬伤
在这次令人惊艳的自动化实验背后，Simon Willison 尖锐地指出了当前智能体架构中一个严重倒退的设计缺陷：执行过程的不透明性与“线程压缩”带来的代码丢失。
在长达 27 分钟的执行期间，智能体在后台编写并运行了大量的 Python 数据清洗与图搜索代码，但 ChatGPT 的前端界面并未展示这些具体的执行步骤与代码细节。当 Simon 在任务结束后向智能体索取当时实际运行的 Python 源码时，智能体回复称无法提供。这是因为系统为了防止超长对话撑爆显存，触发了线程压缩（Compaction，即系统自动对长对话历史进行摘要提炼并丢弃原始执行细节的处理机制）。
长程智能体如果丢失了底层执行代码与调用轨迹，将对开发者的复现、调试与工程化沉淀构成实质性阻碍。 Simon Willison 将这种黑盒设计定性为一种“反向特性”（Anti-feature）。任何采用上下文压缩机制的智能体系统，都必须在底层持久化保留未压缩的原始调用日志与执行代码，并通过专门的工具接口允许用户随时调阅，否则长程自治系统的可信度与工程复用价值将大打折扣。
综合判断：自治调度的突破与物理感知的局限
综合这场长达 27 分钟的智能体实操，可以得出一个明确判断：这不是某种提示词话术的偶发奇迹，而是大模型在具备代码沙盒与外部网络工具后展现出的确定性计算调度能力。
必须澄清行业内的一个常见误读：很多人认为让 AI 规划路线就是让大模型去当“导航地图”。事实上，LLM 本身并不擅长高精度的几何计算，它的真正优势在于充当算法调度员。它理解人类对“5 公里、闭环、适合跑步”的语义定义，并将其转换为 Nominatim 坐标查询、Overpass 矢量抓取和 Python NetworkX 图遍历代码。运算的核心依然是严密的确定性算法，模型负责的是搭建脚手架与自动化纠错。
一个未解决的问题
尽管智能体在数学和拓扑层面上完美计算出了 5 公里的闭环，但它仍然面临一个尚未解决的根本局限：地理静态矢量数据与物理真实世界动态体验之间的割裂。
OpenStreetMap 能够提供道路的连通性与路面类型，却无法反映夜间路灯照明情况、突发施工封路、沿途恶犬出没概率、人行道实际平整度以及复杂坡度带来的体能消耗。智能体在沙盒中计算出的优雅几何闭环，在现实跑者的脚下依然可能变成一段布满泥泞或缺乏照明的糟糕体验。如何让智能体在调用开放地理数据的同时，融合街景图像视觉分析、历史运动热力图与实时众包路况，将是地理智能体从“能跑通代码”走向“真正好用”必须攻克的下一道关卡。
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/astra-running-routes/
- Daily.dev: Generating running routes with GPT-6 Astra and ChatGPT Work (2026-09-13) — https://daily.dev/posts/...
- El Ecosistema Startup: GPT-6 Astra diseña rutas de running con datos OSM en 27 min (2026-09-13) — https://ecosistemastartup.com/...
- Simon Willison’s Weblog: Research acceleration: The view inside OpenAI (2026-09-06) — https://simonwillison.net/2026/Sep/06/research-acceleration/
- Simon Willison’s Weblog: Understanding ChatGPT Work (2026-08-30) — https://simonwillison.net/2026/Aug/30/understanding-chatgpt-work/
