当遥感大模型学会"自己进化"——从 Harness 到 Agent，自进化遥感体系的下一个范式
真正的智能不是"一次性算对"，而是"每一次都比上一次更好"。
引言
一个遥感工程师的日常
一个遥感工程师接到新项目，处理某省的耕地变化监测。他花了三天调参数、跑模型、修图斑，终于交付了成果。三个月后，同一个省的新一期监测启动，他发现——上次调好的参数、修正的错误、积累的经验，全部要从头来一遍。系统没有记忆。每一次都是第一次。
这不是个案，而是整个遥感行业的常态。再强大的模型，跑完就忘；再精准的参数，换个项目就失效；再资深的工程师，经验锁在脑子里，无法传递给系统。
如果遥感大模型能像一个有经验的老员工一样——干得越多越熟练，犯过的错不会再犯，新规则来了能快速上手——会怎样？
这就是自进化遥感大模型体系要回答的问题。
01 从"一次性正确"到"持续进化"： 一个范式裂缝 当前遥感大模型的天花板 过去三年，遥感大模型取得了令人瞩目的突破。自监督 ViT 大模型实现了 5 亩以上图斑 90%+ 的召回率；Geo-CoT 思维链推理让模型从"看到变化"升级到"理解变化"；SAM 交互分割让人工精化效率提升 3 倍以上。但这些模型有一个共同的局限：它们是"静态"的。 模型 A 在华北平原的召回率是 95%，拿到西南山区就跌到 70%——因为它没见过山区的地形特征。 模型 B 的伪变化剔除规则是半年前写的，新的光伏电站建设模式它不认识——因为规则没有更新。 模型 C 在上一个项目中被人工修正了 500 个图斑，但这些修正停留在报表里——因为没有回流机制。 每一个项目都是一次性的推倒重来，每一次部署都是一次从零开始的冷启动。 Harness 架构的第一步：让处理过程拥有"记忆" DIEY遥感云脑Harness 架构（Plan→Run→Judge→Memory）解决了部分问题。它在影像统筹、虚拟影像生成、预处理、在线解译四大模块中嵌入了闭环优化机制： 统筹系统记住了"内蒙古西部 GF-1 冬季偏色严重"，下次自动降权 生成系统记住了"山区超分用 4 倍模型 A，平原用 2 倍模型 B"，自动切换 预处理系统沉淀了"福建省最优工艺包"，新影像进来直接复用 解译系统通过难例回流，水域识别准确率从 93% 提升到 98% Harness 让 DIEY 的每个模块都拥有了"记忆"和"反思"能力。但 Harness 解决的是单模块内的自进化。四大模块之间的协同，仍然依赖人工编排。统筹推荐的影像质量好不好、生成修复的效果行不行、预处理参数对不对、解译结果准不准——这些信息分散在四个模块中，没有形成跨模块的经验流动。 更关键的是：Harness 的记忆是"被动的"——它记录了历史经验，但不会主动思考"下次应该怎么做更好"。 这正是 Agent 架构要补上的最后一块拼图。
02 为什么不是一个系统，而是"一群专家"？
在介绍自进化架构之前，有必要回答一个根本问题：为什么不能用一个"超级模型"包办一切？
原因在于，遥感监测的全流程对能力的要求是矛盾的：
环节 | 核心要求 | 矛盾点 |
|---|---|---|
影像统筹 | 从海量数据中挑出"最合适那一份" | 需要全局视野，但每次任务的最优解不同 |
变化检测 | 宁可多报不可漏报 | 高召回率意味着高误报率 |
业务研判 | 报了的就得是真的 | 需要融合政策法规、业务规则、历史经验 |
图斑精化 | 边界精确、属性正确 | 需要人机协同，每个区域的精化策略不同 |
质检核查 | 不合格的必须打回 | 需要理解"什么算合格"——这因地区、因政策而异 |
一个模型如果偏向"敏感"（查全好），就容易误报；如果偏向"保守"（查准好），就容易漏报。强行合为一体，结果是"什么都想要、什么都做不好"。
更深层的原因：中国国土横跨多种地形地貌。 华北平原的耕地变化和青藏高原的草地退化，在影像上的表现完全不同——纹理、光谱、时序规律都存在根本性差异。用一个统一的策略去覆盖所有地貌类型，必然顾此失彼。
因此，我们需要的不是一个"全能系统"，而是一群"各司其职的专家"——每个专家只做自己最擅长的事，但它们之间能共享经验、协同进化。这就是 Agent 架构的核心思想。
03 Agent 架构： 让遥感系统拥有"专家团队" 从"一个模型"到"一群 Agent" 借鉴 AI Agent 的多角色协同思想，我们将遥感大模型体系重构为一群专业化 Agent 的协作网络： 每个 Agent 拥有自己的专属能力和独立记忆，同时通过共享记忆层实现经验流动。 每个 Agent "长什么样"？ 以"检测 Agent"为例，它不是一个裸模型，而是一个拥有完整生命周期的智能体： 能力层：加载自监督 ViT 大模型 + 地貌分区模型组 + COT 思维链剔伪引擎，负责对 ARD 影像对进行全要素变化检测。 记忆层：记录每一次检测的完整过程——模型对每个图斑的置信度、人工修正了哪些图斑、修正原因是什么、质检打回了哪些、打回理由是什么。这些不是"日志"，而是可被检索和复用的经验。 进化层：定期将记忆中的难例样本回流训练集，通过增量微调优化模型参数。不是"重新训练"，而是"持续精进"——就像一个工程师干了三年之后，不需要重新学基础，只需要更新对新场景的认知。 协作层：接收编排 Agent 的任务指令，向共享记忆层查询相关经验（比如"这个区域之前用什么模型效果最好"），将检测结果传递给下游的研判 Agent。 04 自进化飞轮： 每一次监测都在"喂养"系统 从"成果导向"到"过程导向" 传统遥感监测的产出是一份成果报告——哪些图斑是变化的、核查结论是什么。任务执行过程中产生的大量中间信息——模型的判断置信度、人工的修正记录、质检的通过/打回标记——都被丢弃了。 Agent 架构的第一个关键转变：把每一次监测任务的执行过程，都视为数据生产。 同样是跑一轮全省监测，传统方式产出的是一份报告，Agent 方式产出的是一份报告加上数百条可供模型学习的增量样本。同样是花两周时间，后者让下一次监测变得更快、更准。 三级自进化循环 Agent 架构的自进化不是单一维度的，而是三个层级同时发生： 第一级：单 Agent 内的参数进化。 检测 Agent 通过难例回流，持续优化自身的模型参数。效果：水域识别准确率从 93% 提升到 98%，误差率降低 24%。 第二级：跨 Agent 的经验流动。 检测 Agent 发现"某类伪变化在南方丘陵地区频发"，自动将这条经验写入共享记忆层。研判 Agent 在处理南方丘陵地区的任务时，自动加载这条经验，调整研判策略。效果：跨区域的检测一致性显著提升。 第三级：编排策略的进化。 编排 Agent 记录每一次任务的分配策略和最终效果，逐步学习"什么样的任务应该分配给什么样的专家组合"。效果：任务编排从"人工经验"进化为"数据驱动的智能调度"。 飞轮效应 当三个层级的自进化同时运转，一个飞轮效应就形成了： 监测执行 → 产生经验数据 → 模型参数优化 → 下次监测更准 ↑ │ └────── 更精细的难例被发现 ←────────────────┘ 飞轮的转速会越来越快： 第一个月：系统需要大量人工干预，但每次干预都在积累经验 第三个月：80% 的常规场景自动处理，人工只关注 20% 的疑难案例 第六个月：Agent 间的协同效应显现，跨模块参数自动优化 一年后：系统不再是工具，而是拥有"记忆"和"判断力"的数字专家 系统不是被"训练"出来的，而是在业务实践中"长"出来的。 05 知识图谱驱动： 让业务规则"活"在系统里
规则不能只写在文件里 遥感监测的本质不是"看图"，而是"研判"——判断一个变化图斑是否构成违法、属于哪类违法、应该由哪个部门处置。 这些研判逻辑，传统上以"业务规则"的形式存在于各种文件和操作手册中。例如： "在永久基本农田保护区内，未经审批的硬化地面判定为违法占用耕地" "光伏电站用地范围超出备案面积的 10% 以上，标记为超占预警" 问题在于：这些规则不会自动"跑进"系统里。每次政策调整，都需要技术人员手动更新系统参数。 Agent 架构的解法：知识即能力 在 Agent 架构中，业务规则不是"配置文件"，而是可被 Agent 理解和执行的知识资产： 规则编码：将政策法规、技术规程、历史案例编码为结构化的知识图谱 自动匹配：当新任务进来时，编排 Agent 自动从知识图谱中检索相关规则，注入到对应 Agent 的执行上下文中 规则进化：当基层反馈"某条规则在实际执行中不合理"，系统自动记录并提交专家审核，审核通过后规则自动更新 这意味着：政策调整后，系统不需要人工重新配置——新规则通过知识图谱自动传播到每一个 Agent。 更深层的价值在于：专家的经验不再锁在个人脑子里。一个在自然资源行业干了十年的业务分析人员，他脑子里那些"地块数据要用坐标转换参数不能直接拼接"的经验，通过 Agent 架构被编码为可复用的知识资产。新人接手时，面对的是一个已经"见过世面"的系统。 06 从项目制到产品制： 这对遥感行业意味着什么？-
Agent 架构带来的不只是技术指标的提升，更是工程范式的转变：
从"做完就忘"到"越做越强" 传统遥感项目是一次性的——做完就交付，经验就散了。Agent 架构让每一次项目交付都成为系统能力的一次升级。处理过一次内蒙古河湖解译，下一次内蒙古的项目直接复用积累的经验。 从"依赖个人"到"组织赋能" 专家的经验不再锁在个人脑子里，而是通过修正记录沉淀为系统能力。一个省积累的判读经验，可以自动迁移给另一个省使用。每个省不再"从零开始"。 从"模块独立"到"协同进化" 统筹、生成、预处理、解译不再是各自为战的独立系统，而是通过共享记忆层实现经验流动。统筹的推荐质量直接影响解译效果，解译的难例反馈优化了生成模型的训练数据。 从"静态部署"到"持续生长" 系统部署不是终点，而是起点。每一次使用都在让它变得更强。半年后，它不再是一个工具集，而是一个拥有"记忆"和"判断力"的数字专家——它知道哪个区域用哪种星源、哪种地貌用哪种模型、哪种错误需要提前规避。
