Resumen:El razonamiento geoespacial es esencial para aplicaciones del mundo real como análisis urbano, planificación del transporte y respuesta a desastres. Sin embargo, los agentes existentes basados en LLM a menudo fallan en el cálculo geoespacial genuino, confiando en cambio en la búsqueda web o la coincidencia de patrones mientras alucinan relaciones espaciales. Presentamos Spatial-Agent, un agente de IA basado en teorías fundamentales de la ciencia de la información espacial. Nuestro enfoque formaliza la respuesta a preguntas geoanalíticas como un problema de transformación de conceptos, donde las preguntas en lenguaje natural se analizan en flujos de trabajo ejecutables representados como GeoFlow Graphs: gráficos acíclicos dirigidos con nodos correspondientes a conceptos espaciales y bordes que representan transformaciones. Basándose en la teoría de la información espacial, Spatial-Agent extrae conceptos espaciales, asigna roles funcionales con restricciones de ordenación basadas en principios y compone secuencias de transformación mediante generación basada en plantillas. Amplios experimentos con los puntos de referencia MapEval-API y MapQA demuestran que Spatial-Agent supera significativamente las líneas de base existentes, incluidas ReAct y Reflexion, al tiempo que produce flujos de trabajo geoespaciales interpretables y ejecutables.
Publicado originalmente en export.arxiv.org el 25 de enero de 2026.
Ver fuente original
