CGD-QCSF: A Code Generation-Driven Query–Computation Separation Framework for Natural language Geospatial Analysis

Zhiyuan Le

doi:10.3390/ijgi15080370

CGD-QCSF: A Code Generation-Driven Query–Computation Separation Framework for Natural language Geospatial Analysis

2026-08-16

0

OA

AI

DOI：10.3390/ijgi15080370

原文链接

查看原文

摘要

En 中文

地理空间数据通过关联空间位置、属性信息与动态过程，为城市治理、资源管理、灾害评估和公共卫生分析提供了重要基础。然而，复杂的地理空间分析仍需在空间数据库、空间SQL及GIS计算工具方面具备深厚专业知识。尽管基于大语言模型的文本到SQL方法降低了自然语言驱动的数据查询门槛，但现有方法大多依赖单步SQL生成，在涉及属性检索、空间关系评估、几何运算及统计聚合等任务时仍不稳定。为解决此问题，本文提出一种代码生成驱动的查询-计算分离框架（CGD-QCSF）。该框架基于查询与计算的分离，将复杂地理空间分析分解为分阶段执行过程。CGD-QCSF协调意图理解、模式预过滤、规划、执行状态管理、SQL生成和时空计算。结构化规划器和执行状态管理器协同任务分解、能力感知路由和基于证据的恢复。SQL代码生成代理（SCGA）负责数据库访问、属性过滤和中间数据提取，而时空计算代理（STCA）在隔离的Python沙箱中执行数据库外的空间计算与统计聚合。我们构建了包含200个任务的基准测试，涵盖易、中、难三种空间任务。在以Qwen3.7-Plus为基础模型的主实验中，CGD-QCSF达到90.5%的严格结构化准确率（SSA）。移除规划器后SSA降至84.5%，移除STCA后降至70.5%。消融实验表明，移除Python沙箱或规划器代理会降低复杂任务的性能。这些结果证明CGD-QCSF将复杂地理空间分析从单步SQL生成扩展为多阶段执行过程。通过显式分离查询与计算，该框架减少了空间计算逻辑与数据库模式信息间的干扰，从而提升了自然语言驱动的地理空间分析稳定性和成功率。

Keyword:

multi-agent systems

large language models

code generation

geospatial computation

CGD-QCSF: A Code Generation-Driven Query–Computation Separation Framework for Natural language Geospatial Analysis

摘要

AI总结

期刊

机构

引用论文