最近在尝试将AI编程助手与专业GIS软件结合进行地图制图时发现网上关于Claude Code、Codex与QGIS协同工作的系统性评测和实战教程非常零散。作为一名长期关注空间数据可视化的开发者我决定基于北航何静老师的评测思路结合自己的实践整理一份从环境搭建、功能测试到实战应用的全流程深度评测报告。无论你是想了解AI如何辅助GIS开发还是希望提升QGIS的制图效率这篇文章都将提供一套可直接复现的完整方案涵盖安装避坑、核心功能对比以及一个完整的城市POI分布图制作案例。1. 背景与核心概念AI编程助手如何赋能传统GIS工作流在深入实操之前我们有必要厘清几个核心工具的概念及其在本次评测中的角色。传统的地理信息系统GIS软件如QGIS功能强大但学习曲线陡峭许多复杂的数据处理、样式配置和自动化脚本编写工作需要开发者具备专业的知识。而AI编程助手的出现为这一领域带来了新的可能性。Claude Code与Codex是当前备受关注的两款AI编程辅助工具。简单来说它们都是基于大型语言模型LLM开发的能够理解自然语言描述并生成相应的代码、配置片段甚至解释技术问题。Claude Code通常指Claude模型在代码生成方面的能力体现而Codex例如GitHub Copilot背后的模型则更早地被集成到VS Code等IDE中。在实际使用中开发者可以通过描述需求如“用Python读取这个Shapefile并计算面积”来快速获得代码草稿极大提升了开发效率。QGIS是一款开源的地理信息系统软件它支持数据的查看、编辑、分析和地图制图。其强大之处在于丰富的插件生态和Python APIPyQGIS允许用户通过编写Python脚本来自定义和扩展几乎所有功能。本次评测的核心目的正是探索将AI编程助手Claude Code/Codex与QGIS的PyQGIS API相结合能否形成一个高效的地图制图与空间分析辅助工作流。我们关注的焦点是AI能否准确理解GIS领域特有的概念如坐标系、几何类型、空间查询并生成可运行、可复用的QGIS Python脚本或处理流程从而降低GIS开发门槛提升从数据到成图的效率。2. 环境准备与版本说明一个稳定、兼容的环境是后续所有测试和实战的基础。本节将详细列出所需的软件、工具及其版本并提供清晰的安装与配置指引。2.1 基础软件环境操作系统Windows 10/11 64位或 Ubuntu 20.04/22.04 LTS。本文示例以Windows环境为主Linux环境会有相应提示。QGIS推荐使用QGIS 3.28 或以上的长期发布版LTR。LTR版本更加稳定插件兼容性更好。可以从QGIS官网或国内镜像站下载安装包。PythonQGIS安装包通常内置了Python环境。为确保一致性请使用QGIS自带的Python。你可以在QGIS的“插件” - “Python控制台”中查看其Python版本通常是3.9.x。代码编辑器/IDEVisual Studio Code (VS Code)。它是连接AI助手和QGIS脚本开发的核心桥梁。2.2 AI编程助手环境配置这是关键步骤有两种主流方式将AI助手集成到你的工作流中方式一在VS Code中安装AI编程插件推荐这是最直接的方式让AI助手在编写PyQGIS脚本时提供实时建议。安装VS Code。在VS Code扩展商店中搜索并安装GitHub Copilot。安装后需要登录GitHub账号并完成认证。Copilot基于Codex模型是目前与VS Code集成度最高、最成熟的AI编程助手。备选如果你拥有Claude API的访问权限也可以搜索安装一些支持Claude的第三方插件如“Claude for VS Code”等配置你的API密钥。方式二使用独立的Claude Code或类似Web应用你也可以直接访问Claude官网或Codex的Web界面在聊天框中描述你的GIS任务然后将生成的代码复制到QGIS Python控制台或脚本文件中运行。重要提示根据网络热词中反馈的问题如“deepseek-v4-pro” is not a model this version of claude code recognizes请注意不同的AI助手插件或平台支持的模型可能不同。本文的评测和示例主要基于GitHub Copilot (Codex)和Claude 3.5 Sonnet的Web版本进行它们对通用编程和PyQGIS有较好的支持。2.3 测试数据准备为了后续的功能评测和实战案例请准备一份示例数据。你可以从开放数据平台如北京市政务数据资源网下载一份包含公共设施点POI的Shapefile文件或者使用QGIS自带的示例数据。我们将使用一个假设的city_poi.shp文件其属性表包含name名称、type类型如公园、医院、学校、address地址等字段。3. 核心功能评测AI助手能理解多少GIS“黑话”安装配置完毕后我们进入核心评测环节。我们将设计一系列从易到难的GIS典型任务测试AI助手以VS Code中的Copilot和Claude Web版为例的理解能力和代码生成质量。3.1 基础数据操作任务任务描述“写一段PyQGIS代码加载一个位于‘D:/data/city_poi.shp’的矢量图层并打印出图层名称和要素数量。”AI生成代码示例# 在QGIS Python控制台或插件中运行 from qgis.core import QgsVectorLayer # 定义数据路径 shp_path “D:/data/city_poi.shp” # 加载图层 layer QgsVectorLayer(shp_path, “poi_layer”, “ogr”) if not layer.isValid(): print(“图层加载失败”) else: print(f“图层名称{layer.name()}”) print(f“要素数量{layer.featureCount()}”) # 将图层添加到当前QGIS项目中 QgsProject.instance().addMapLayer(layer)评测结果理解度优秀。AI能准确识别出“加载矢量图层”对应QgsVectorLayer路径参数、提供者“ogr”都正确。代码质量优秀。包含了必要的有效性检查layer.isValid()使用了featureCount()方法并且主动添加了将图层加载到项目的代码非常贴心。实践提示生成的代码可直接运行。注意文件路径中的斜杠在Windows中最好使用双反斜杠\\或原始字符串r“D:\data\city_poi.shp”以避免转义错误。3.2 属性查询与空间筛选任务任务描述“如何用PyQGIS选出type字段等于‘公园’的所有要素并将它们保存为一个新的Shapefile”AI生成代码示例from qgis.core import QgsVectorLayer, QgsFeatureRequest, QgsVectorFileWriter from qgis.PyQt.QtCore import QVariant # 假设图层已加载并命名为 ‘poi_layer’ input_layer QgsProject.instance().mapLayersByName(‘poi_layer’)[0] # 构建属性过滤表达式 expression “type ‘公园’” request QgsFeatureRequest().setFilterExpression(expression) features [feat for feat in input_layer.getFeatures(request)] if not features: print(“未找到符合条件的要素。”) else: # 创建新图层的字段定义复制原图层 fields input_layer.fields() # 定义输出路径和格式 output_path “D:/data/parks.shp” writer_options QgsVectorFileWriter.SaveVectorOptions() writer_options.driverName “ESRI Shapefile” writer_options.fileEncoding “UTF-8” # 创建写入器并写入要素 transform_context QgsProject.instance().transformContext() error, error_message, new_layer_name QgsVectorFileWriter.writeAsVectorFormatV3( input_layer, output_path, transform_context, writer_options, filterExpressionexpression # 直接使用表达式过滤并写入 ) if error QgsVectorFileWriter.NoError: print(f“筛选后的图层已保存至{output_path}”) # 加载新图层到项目 new_layer QgsVectorLayer(output_path, “parks”, “ogr”) QgsProject.instance().addMapLayer(new_layer) else: print(f“保存失败{error_message}”)评测结果理解度良好。AI理解了属性查询setFilterExpression和导出新文件的概念。代码质量中等偏上。它提供了两种思路先获取要素列表再处理以及使用writeAsVectorFormatV3时直接传入过滤表达式。后者更高效。代码结构完整包含了错误处理。实践提示AI生成的代码有时会过于复杂。对于简单的属性筛选导出QGIS本身有“按属性选择”和“另存为”功能。AI代码的价值在于可以将其嵌入更复杂的自动化流程中。3.3 地图制图与样式渲染任务任务描述“用PyQGIS为poi_layer图层创建分类渲染根据type字段的不同值为‘公园’设置绿色圆点‘医院’设置红色十字‘学校’设置蓝色方块。”AI生成代码示例from qgis.core import QgsCategorizedSymbolRenderer, QgsRendererCategory, QgsMarkerSymbol, QgsSymbol from qgis.PyQt.QtGui import QColor layer QgsProject.instance().mapLayersByName(‘poi_layer’)[0] if not layer: print(“未找到图层”) exit() # 定义分类字段 field_name ‘type’ # 定义分类值及其对应的样式 categories [] # 公园 - 绿色圆点 symbol1 QgsMarkerSymbol.createSimple({‘name’: ‘circle’, ‘color’: ‘0,255,0,255’}) # 绿色 category1 QgsRendererCategory(‘公园’, symbol1, ‘公园’) categories.append(category1) # 医院 - 红色十字 symbol2 QgsMarkerSymbol.createSimple({‘name’: ‘cross’, ‘color’: ‘255,0,0,255’, ‘size’: ‘3’}) # 红色 category2 QgsRendererCategory(‘医院’, symbol2, ‘医院’) categories.append(category2) # 学校 - 蓝色方块 symbol3 QgsMarkerSymbol.createSimple({‘name’: ‘square’, ‘color’: ‘0,0,255,255’}) # 蓝色 category3 QgsRendererCategory(‘学校’, symbol3, ‘学校’) categories.append(category3) # 创建并应用分类渲染器 renderer QgsCategorizedSymbolRenderer(field_name, categories) layer.setRenderer(renderer) layer.triggerRepaint() # 触发重绘以更新显示 print(“分类渲染已应用。”)评测结果理解度优秀。AI准确理解了“分类渲染”、“QgsCategorizedSymbolRenderer”等核心概念并能将自然语言的颜色、形状描述映射到PyQGIS的APIQgsMarkerSymbol.createSimple。代码质量优秀。代码逻辑清晰结构完整包含了从符号创建、分类定义到渲染器应用的全过程。triggerRepaint()的调用体现了对GUI更新的考虑。实践提示这是AI助手优势非常明显的领域。手动编写样式代码非常繁琐而用自然语言描述需求后AI能快速生成可用的代码框架开发者只需微调颜色、大小等参数即可。3.4 空间分析任务任务描述“我有一个点图层poi_layer和一个面图层districts.shp。请写代码统计每个行政区划面内有多少个点要素。”AI生成代码示例from qgis.core import QgsVectorLayer, QgsGeometry, QgsSpatialIndex, QgsFeatureRequest from collections import defaultdict # 加载图层 point_layer QgsProject.instance().mapLayersByName(‘poi_layer’)[0] polygon_layer QgsProject.instance().mapLayersByName(‘districts’)[0] if not point_layer or not polygon_layer: print(“图层加载失败”) exit() # 为点图层创建空间索引加速查询 point_index QgsSpatialIndex(point_layer.getFeatures()) # 用于存储结果的字典行政区划ID - 点数量 count_dict defaultdict(int) # 遍历每个面要素 for poly_feat in polygon_layer.getFeatures(): poly_geom poly_feat.geometry() # 获取与该面相交的点的ID列表 intersecting_point_ids point_index.intersects(poly_geom.boundingBox()) # 精确判断点是否在面内因为空间索引基于边界框 actual_count 0 for point_id in intersecting_point_ids: # 根据ID获取点要素 request QgsFeatureRequest().setFilterFid(point_id) point_feat next(point_layer.getFeatures(request)) point_geom point_feat.geometry() if poly_geom.contains(point_geom): actual_count 1 # 假设面图层有一个‘name’字段 district_name poly_feat[‘name’] if ‘name’ in poly_feat.fields().names() else poly_feat.id() count_dict[district_name] actual_count # 打印统计结果 for name, count in count_dict.items(): print(f“行政区划 [{name}] 内的POI数量为{count}”)评测结果理解度良好。AI理解了空间连接contain和统计的需求并引入了QgsSpatialIndex来优化性能这一点超出预期。代码质量良好。代码展示了标准的空间查询模式先通过空间索引快速筛选再进行精确的几何关系判断。使用了defaultdict简化计数逻辑。实践提示对于此类经典空间分析AI能生成很好的算法骨架。但需要注意如果数据量极大可能需要考虑更高效的批量处理方法。此外结果处理部分如将统计结果写回面图层的属性表可能需要进一步提示AI完成。小结通过以上四个层次的测试可以看出当前的AI编程助手特别是Codex和Claude 3.5对PyQGIS的核心API已有相当程度的理解。它们尤其擅长将自然语言描述的制图与样式需求转化为准确的代码这对于简化繁琐的GUI操作步骤具有革命性意义。在数据操作和空间分析方面AI能提供正确的算法方向和API调用示例但可能需要开发者进行一些调整和优化以适应具体场景。4. 完整实战案例基于AI辅助生成城市POI分布专题图现在我们将综合运用上述评测结果完成一个完整的实战项目制作一份城市公共设施点POI分布专题图并通过AI助手加速开发流程。项目目标加载POI数据按类型分类渲染为不同类型的设施创建比例符号显示数量越多符号越大并添加行政区划面作为底图最后输出一张布局精美的地图。4.1 项目结构与数据准备项目目录创建一个名为ai_gis_mapping的文件夹。数据放置将city_poi.shp点数据和districts.shp面数据放入./data/子文件夹。脚本文件在项目根目录创建main.py我们将在此编写主脚本。4.2 编写核心脚本AI辅助我们打开VS Code在main.py文件中可以分步骤向Copilot或通过聊天窗口向Claude描述需求逐步构建脚本。步骤1描述需求生成数据加载与基础检查代码。在代码编辑器中我们可以先写一个注释然后触发AI自动补全。# main.py # 使用PyQGIS加载data目录下的city_poi.shp和districts.shp图层检查它们是否加载成功并打印基本信息。 from qgis.core import QgsVectorLayer, QgsProject import os # 获取当前脚本所在目录并构建数据路径 base_dir os.path.dirname(__file__) poi_path os.path.join(base_dir, “data”, “city_poi.shp”) district_path os.path.join(base_dir, “data”, “districts.shp”) # 加载POI点图层 poi_layer QgsVectorLayer(poi_path, “city_poi”, “ogr”) # 加载行政区划面图层 district_layer QgsVectorLayer(district_path, “districts”, “ogr”) layers_to_add [] for layer, name in [(poi_layer, “POI”), (district_layer, “Districts”)]: if layer.isValid(): QgsProject.instance().addMapLayer(layer) print(f“{name}图层加载成功要素数{layer.featureCount()}”) layers_to_add.append(layer) else: print(f“{name}图层加载失败”) if not layers_to_add: print(“没有图层被成功加载请检查数据路径。”) exit()上述代码框架可由AI生成开发者补充路径逻辑和循环结构步骤2请求AI生成分类渲染代码。在文件后面继续编写注释或直接向AI提问“接下来为city_poi图层创建分类渲染根据‘type’字段为‘公园’设置绿色‘医院’设置红色‘学校’设置蓝色其他类型用灰色表示。” AI会生成类似于3.3节的代码。我们将其整合并修改为更通用的分类方法自动获取所有唯一值# 为POI图层创建分类渲染 if poi_layer and poi_layer.isValid(): from qgis.core import QgsCategorizedSymbolRenderer, QgsRendererCategory, QgsMarkerSymbol from qgis.PyQt.QtGui import QColor field_name ‘type’ unique_values poi_layer.uniqueValues(poi_layer.fields().lookupField(field_name)) categories [] color_map {‘公园’: ‘green’, ‘医院’: ‘red’, ‘学校’: ‘blue’} # 预定义颜色映射 for value in unique_values: value_str str(value) # 根据映射获取颜色默认为灰色 color_name color_map.get(value_str, ‘gray’) # 创建符号 symbol QgsMarkerSymbol.createSimple({‘name’: ‘circle’, ‘color’: color_name, ‘size’: ‘4’}) # 创建分类 category QgsRendererCategory(value, symbol, value_str) categories.append(category) renderer QgsCategorizedSymbolRenderer(field_name, categories) poi_layer.setRenderer(renderer) poi_layer.triggerRepaint() print(“POI分类渲染已应用。”)步骤3请求AI生成按密度创建比例符号的代码。这是一个进阶需求。我们可以描述“现在我想基于每个行政区划districts图层内的POI数量为districts图层创建比例符号渲染数量越多填充颜色越深。” AI可能会生成使用QgsGraduatedSymbolRenderer或QgsHeatmapRenderer的代码。我们选择按数量分级渲染# 为行政区划图层创建基于POI数量的分级渲染 if district_layer and district_layer.isValid() and poi_layer and poi_layer.isValid(): from qgis.core import QgsGraduatedSymbolRenderer, QgsRendererRange, QgsFillSymbol from qgis.PyQt.QtGui import QColor # 首先计算每个区的POI数量复用3.4节的部分逻辑 counts {} point_index QgsSpatialIndex(poi_layer.getFeatures()) for district_feat in district_layer.getFeatures(): district_geom district_feat.geometry() district_id district_feat.id() count 0 candidate_ids point_index.intersects(district_geom.boundingBox()) for pid in candidate_ids: req QgsFeatureRequest().setFilterFid(pid) point_feat next(poi_layer.getFeatures(req)) if district_geom.contains(point_feat.geometry()): count 1 counts[district_id] count # 将数量写入一个新字段临时属性 district_layer.dataProvider().addAttributes([QgsField(“poi_count”, QVariant.Int)]) district_layer.updateFields() district_layer.dataProvider().changeAttributeValues({district_id: {district_layer.fields().lookupField(“poi_count”): count}}) # 创建分级渲染器 field_name ‘poi_count’ ranges [] # 假设我们分为5级 max_count max(counts.values()) if counts else 1 classes 5 step max_count / classes for i in range(classes): lower i * step upper (i 1) * step if i ! classes - 1 else max_count 1 # 最后一级包含最大值 # 颜色从浅蓝到深蓝 color QColor(0, 0, 255, int(50 (i * 200/classes))) # 透明度/亮度变化 symbol QgsFillSymbol.createSimple({‘color’: color.name(), ‘outline_color’: ‘black’}) label f“{lower:.0f} - {upper:.0f}” range QgsRendererRange(lower, upper, symbol, label) ranges.append(range) renderer QgsGraduatedSymbolRenderer(field_name, ranges) district_layer.setRenderer(renderer) district_layer.triggerRepaint() print(“行政区划密度渲染已应用。”)4.3 运行与验证打开QGIS确保项目为空。打开QGIS的“插件” - “Python控制台”。在控制台中点击“显示编辑器”按钮打开脚本编辑器。将main.py的完整代码粘贴到编辑器中。点击“运行脚本”按钮。预期结果QGIS地图画布中会加载两个图层彩色的点状POI和按颜色深浅填充的行政区划。Python控制台会打印出图层加载成功、渲染应用成功的信息。在“图层”面板中可以查看两个图层的符号系统确认分类和分级渲染已生效。4.4 扩展使用AI生成地图布局代码最后我们可以尝试让AI生成导出地图的代码。需求描述“写一段PyQGIS代码创建一个打印布局Print Layout添加地图、图例、比例尺和标题并将布局导出为PDF文件。” AI会生成涉及QgsPrintLayout、QgsLayoutItemMap、QgsLayoutItemLegend等类的代码。由于代码较长这是展示AI在复杂、样板代码生成方面能力的绝佳场景。开发者可以将生成的代码整合到main.py末尾运行后即可在指定路径获得PDF格式的地图。5. 常见问题与排查思路在实际使用AI助手进行QGIS开发时你可能会遇到以下典型问题问题现象可能原因排查与解决思路AI生成的代码在QGIS中报错ImportError或NameError1. AI使用了QGIS不存在的模块或类。2. 代码中变量名拼写错误。3. 未正确导入PyQt5相关模块。1. 检查QGIS Python API文档确认类名和方法名是否正确。AI有时会“幻想”出不存在的方法。2. 仔细核对AI生成代码中的变量名确保前后一致。3. 在QGIS Python控制台中正确的导入通常是from qgis.core import *和from qgis.PyQt.QtCore import *AI可能省略。图层加载失败isValid()返回 False1. 文件路径错误。2. 文件格式不支持或文件损坏。3. 中文路径或空格导致问题。1. 使用os.path模块构建绝对路径并打印路径确认。2. 尝试在QGIS GUI中手动加载该文件看是否成功。3. 避免路径中包含中文和特殊字符或使用原始字符串r“path”。属性查询或渲染没有效果1. 字段名拼写错误或大小写不匹配。2. 表达式语法错误。3. 渲染器未正确应用到图层。1. 使用layer.fields().names()打印所有字段名进行核对。2. 在QGIS的“按属性选择”工具中测试你的表达式是否正确。3. 确保最后执行了layer.setRenderer(renderer)和layer.triggerRepaint()。空间分析或查询速度极慢AI生成的代码可能没有使用空间索引导致全表扫描。对参与空间查询的图层尤其是点图层使用QgsSpatialIndex建立空间索引如评测3.4所示。VS Code中Copilot不提示PyQGIS代码VS Code的Python环境未指向QGIS内置的Python解释器。1. 在VS Code中按CtrlShiftP输入 “Python: Select Interpreter”。2. 选择QGIS安装目录下的python.exe通常在QGIS安装目录\bin\python.exe或OSGeo4W\bin\python.exe。3. 确保VS Code能识别qgis模块。遇到网络热词中的错误如“deepseek-v4-pro” is not a model...使用的AI助手插件或平台配置的模型不支持或已过时。1. 检查插件配置确认其调用的模型端点或API密钥是否正确。2. 考虑切换到更通用的AI助手如GitHub Copilot或直接使用Claude/ ChatGPT的Web界面进行代码生成再复制到本地。6. 最佳实践与工程建议结合本次评测和实战经验总结出以下最佳实践帮助你将AI编程助手更高效、更稳定地融入GIS开发工作流分步提示迭代生成不要试图用一个复杂的提示词让AI生成全部代码。应像本文实战案例一样将任务分解为“加载数据”、“样式渲染”、“空间分析”、“导出地图”等步骤分步向AI提问并整合代码。这能提高生成代码的准确性和可控性。AI生成框架人工优化细节将AI视为高级“代码助手”而非“全自动开发者”。它擅长生成API调用框架和通用逻辑但对于性能优化如空间索引、异常处理的完整性如网络超时、数据缺失、以及项目特定的业务逻辑仍需开发者进行深度检查和优化。建立个人代码片段库将AI生成的、经过验证的常用PyQGIS代码片段如创建分类渲染、执行空间查询、导出地图布局保存起来。未来遇到类似需求时可以快速修改复用减少对AI的重复提问提升效率。紧密结合QGIS GUI进行验证在运行AI生成的脚本前尤其是进行复杂操作如删除要素、修改几何前务必先在小样本数据或备份数据上测试。同时善用QGIS的图形界面进行操作然后通过“历史记录”功能查看对应的PyQGIS命令这能帮助你理解和验证AI生成的代码。版本与环境管理明确记录你的QGIS版本、Python版本和AI助手模型版本。不同版本的API可能有细微差别。对于生产环境建议将成熟的脚本进行封装形成独立的QGIS处理模型或Python插件降低对特定AI服务或版本的依赖。安全与数据备份AI生成的代码可能包含潜在风险如递归删除文件、无限循环等。永远不要在未审核的情况下对原始数据或生产数据库运行AI生成的脚本。始终先备份数据在测试环境中验证。通过本次从环境搭建、核心功能评测到完整实战的深度探索我们可以清晰地看到以Claude Code和Codex为代表的AI编程助手已经能够显著提升QGIS地图制图与空间分析的开发效率。它们尤其擅长将自然语言意图转化为具体的PyQGIS API调用在数据可视化、样式配置等环节表现突出。尽管在复杂空间算法和极端性能优化上仍需人工主导但“AI生成框架人工精调优化”的模式无疑已成为GIS开发者值得掌握的新工作范式。建议读者从文中的简单任务开始尝试逐步积累自己的提示词经验和代码片段库从而真正将AI的能力转化为个人生产力的飞跃。
最近在尝试将AI编程助手与专业GIS软件结合进行地图制图时发现网上关于Claude Code、Codex与QGIS协同工作的系统性评测和实战教程非常零散。作为一名长期关注空间数据可视化的开发者我决定基于北航何静老师的评测思路结合自己的实践整理一份从环境搭建、功能测试到实战应用的全流程深度评测报告。无论你是想了解AI如何辅助GIS开发还是希望提升QGIS的制图效率这篇文章都将提供一套可直接复现的完整方案涵盖安装避坑、核心功能对比以及一个完整的城市POI分布图制作案例。1. 背景与核心概念AI编程助手如何赋能传统GIS工作流在深入实操之前我们有必要厘清几个核心工具的概念及其在本次评测中的角色。传统的地理信息系统GIS软件如QGIS功能强大但学习曲线陡峭许多复杂的数据处理、样式配置和自动化脚本编写工作需要开发者具备专业的知识。而AI编程助手的出现为这一领域带来了新的可能性。Claude Code与Codex是当前备受关注的两款AI编程辅助工具。简单来说它们都是基于大型语言模型LLM开发的能够理解自然语言描述并生成相应的代码、配置片段甚至解释技术问题。Claude Code通常指Claude模型在代码生成方面的能力体现而Codex例如GitHub Copilot背后的模型则更早地被集成到VS Code等IDE中。在实际使用中开发者可以通过描述需求如“用Python读取这个Shapefile并计算面积”来快速获得代码草稿极大提升了开发效率。QGIS是一款开源的地理信息系统软件它支持数据的查看、编辑、分析和地图制图。其强大之处在于丰富的插件生态和Python APIPyQGIS允许用户通过编写Python脚本来自定义和扩展几乎所有功能。本次评测的核心目的正是探索将AI编程助手Claude Code/Codex与QGIS的PyQGIS API相结合能否形成一个高效的地图制图与空间分析辅助工作流。我们关注的焦点是AI能否准确理解GIS领域特有的概念如坐标系、几何类型、空间查询并生成可运行、可复用的QGIS Python脚本或处理流程从而降低GIS开发门槛提升从数据到成图的效率。2. 环境准备与版本说明一个稳定、兼容的环境是后续所有测试和实战的基础。本节将详细列出所需的软件、工具及其版本并提供清晰的安装与配置指引。2.1 基础软件环境操作系统Windows 10/11 64位或 Ubuntu 20.04/22.04 LTS。本文示例以Windows环境为主Linux环境会有相应提示。QGIS推荐使用QGIS 3.28 或以上的长期发布版LTR。LTR版本更加稳定插件兼容性更好。可以从QGIS官网或国内镜像站下载安装包。PythonQGIS安装包通常内置了Python环境。为确保一致性请使用QGIS自带的Python。你可以在QGIS的“插件” - “Python控制台”中查看其Python版本通常是3.9.x。代码编辑器/IDEVisual Studio Code (VS Code)。它是连接AI助手和QGIS脚本开发的核心桥梁。2.2 AI编程助手环境配置这是关键步骤有两种主流方式将AI助手集成到你的工作流中方式一在VS Code中安装AI编程插件推荐这是最直接的方式让AI助手在编写PyQGIS脚本时提供实时建议。安装VS Code。在VS Code扩展商店中搜索并安装GitHub Copilot。安装后需要登录GitHub账号并完成认证。Copilot基于Codex模型是目前与VS Code集成度最高、最成熟的AI编程助手。备选如果你拥有Claude API的访问权限也可以搜索安装一些支持Claude的第三方插件如“Claude for VS Code”等配置你的API密钥。方式二使用独立的Claude Code或类似Web应用你也可以直接访问Claude官网或Codex的Web界面在聊天框中描述你的GIS任务然后将生成的代码复制到QGIS Python控制台或脚本文件中运行。重要提示根据网络热词中反馈的问题如“deepseek-v4-pro” is not a model this version of claude code recognizes请注意不同的AI助手插件或平台支持的模型可能不同。本文的评测和示例主要基于GitHub Copilot (Codex)和Claude 3.5 Sonnet的Web版本进行它们对通用编程和PyQGIS有较好的支持。2.3 测试数据准备为了后续的功能评测和实战案例请准备一份示例数据。你可以从开放数据平台如北京市政务数据资源网下载一份包含公共设施点POI的Shapefile文件或者使用QGIS自带的示例数据。我们将使用一个假设的city_poi.shp文件其属性表包含name名称、type类型如公园、医院、学校、address地址等字段。3. 核心功能评测AI助手能理解多少GIS“黑话”安装配置完毕后我们进入核心评测环节。我们将设计一系列从易到难的GIS典型任务测试AI助手以VS Code中的Copilot和Claude Web版为例的理解能力和代码生成质量。3.1 基础数据操作任务任务描述“写一段PyQGIS代码加载一个位于‘D:/data/city_poi.shp’的矢量图层并打印出图层名称和要素数量。”AI生成代码示例# 在QGIS Python控制台或插件中运行 from qgis.core import QgsVectorLayer # 定义数据路径 shp_path “D:/data/city_poi.shp” # 加载图层 layer QgsVectorLayer(shp_path, “poi_layer”, “ogr”) if not layer.isValid(): print(“图层加载失败”) else: print(f“图层名称{layer.name()}”) print(f“要素数量{layer.featureCount()}”) # 将图层添加到当前QGIS项目中 QgsProject.instance().addMapLayer(layer)评测结果理解度优秀。AI能准确识别出“加载矢量图层”对应QgsVectorLayer路径参数、提供者“ogr”都正确。代码质量优秀。包含了必要的有效性检查layer.isValid()使用了featureCount()方法并且主动添加了将图层加载到项目的代码非常贴心。实践提示生成的代码可直接运行。注意文件路径中的斜杠在Windows中最好使用双反斜杠\\或原始字符串r“D:\data\city_poi.shp”以避免转义错误。3.2 属性查询与空间筛选任务任务描述“如何用PyQGIS选出type字段等于‘公园’的所有要素并将它们保存为一个新的Shapefile”AI生成代码示例from qgis.core import QgsVectorLayer, QgsFeatureRequest, QgsVectorFileWriter from qgis.PyQt.QtCore import QVariant # 假设图层已加载并命名为 ‘poi_layer’ input_layer QgsProject.instance().mapLayersByName(‘poi_layer’)[0] # 构建属性过滤表达式 expression “type ‘公园’” request QgsFeatureRequest().setFilterExpression(expression) features [feat for feat in input_layer.getFeatures(request)] if not features: print(“未找到符合条件的要素。”) else: # 创建新图层的字段定义复制原图层 fields input_layer.fields() # 定义输出路径和格式 output_path “D:/data/parks.shp” writer_options QgsVectorFileWriter.SaveVectorOptions() writer_options.driverName “ESRI Shapefile” writer_options.fileEncoding “UTF-8” # 创建写入器并写入要素 transform_context QgsProject.instance().transformContext() error, error_message, new_layer_name QgsVectorFileWriter.writeAsVectorFormatV3( input_layer, output_path, transform_context, writer_options, filterExpressionexpression # 直接使用表达式过滤并写入 ) if error QgsVectorFileWriter.NoError: print(f“筛选后的图层已保存至{output_path}”) # 加载新图层到项目 new_layer QgsVectorLayer(output_path, “parks”, “ogr”) QgsProject.instance().addMapLayer(new_layer) else: print(f“保存失败{error_message}”)评测结果理解度良好。AI理解了属性查询setFilterExpression和导出新文件的概念。代码质量中等偏上。它提供了两种思路先获取要素列表再处理以及使用writeAsVectorFormatV3时直接传入过滤表达式。后者更高效。代码结构完整包含了错误处理。实践提示AI生成的代码有时会过于复杂。对于简单的属性筛选导出QGIS本身有“按属性选择”和“另存为”功能。AI代码的价值在于可以将其嵌入更复杂的自动化流程中。3.3 地图制图与样式渲染任务任务描述“用PyQGIS为poi_layer图层创建分类渲染根据type字段的不同值为‘公园’设置绿色圆点‘医院’设置红色十字‘学校’设置蓝色方块。”AI生成代码示例from qgis.core import QgsCategorizedSymbolRenderer, QgsRendererCategory, QgsMarkerSymbol, QgsSymbol from qgis.PyQt.QtGui import QColor layer QgsProject.instance().mapLayersByName(‘poi_layer’)[0] if not layer: print(“未找到图层”) exit() # 定义分类字段 field_name ‘type’ # 定义分类值及其对应的样式 categories [] # 公园 - 绿色圆点 symbol1 QgsMarkerSymbol.createSimple({‘name’: ‘circle’, ‘color’: ‘0,255,0,255’}) # 绿色 category1 QgsRendererCategory(‘公园’, symbol1, ‘公园’) categories.append(category1) # 医院 - 红色十字 symbol2 QgsMarkerSymbol.createSimple({‘name’: ‘cross’, ‘color’: ‘255,0,0,255’, ‘size’: ‘3’}) # 红色 category2 QgsRendererCategory(‘医院’, symbol2, ‘医院’) categories.append(category2) # 学校 - 蓝色方块 symbol3 QgsMarkerSymbol.createSimple({‘name’: ‘square’, ‘color’: ‘0,0,255,255’}) # 蓝色 category3 QgsRendererCategory(‘学校’, symbol3, ‘学校’) categories.append(category3) # 创建并应用分类渲染器 renderer QgsCategorizedSymbolRenderer(field_name, categories) layer.setRenderer(renderer) layer.triggerRepaint() # 触发重绘以更新显示 print(“分类渲染已应用。”)评测结果理解度优秀。AI准确理解了“分类渲染”、“QgsCategorizedSymbolRenderer”等核心概念并能将自然语言的颜色、形状描述映射到PyQGIS的APIQgsMarkerSymbol.createSimple。代码质量优秀。代码逻辑清晰结构完整包含了从符号创建、分类定义到渲染器应用的全过程。triggerRepaint()的调用体现了对GUI更新的考虑。实践提示这是AI助手优势非常明显的领域。手动编写样式代码非常繁琐而用自然语言描述需求后AI能快速生成可用的代码框架开发者只需微调颜色、大小等参数即可。3.4 空间分析任务任务描述“我有一个点图层poi_layer和一个面图层districts.shp。请写代码统计每个行政区划面内有多少个点要素。”AI生成代码示例from qgis.core import QgsVectorLayer, QgsGeometry, QgsSpatialIndex, QgsFeatureRequest from collections import defaultdict # 加载图层 point_layer QgsProject.instance().mapLayersByName(‘poi_layer’)[0] polygon_layer QgsProject.instance().mapLayersByName(‘districts’)[0] if not point_layer or not polygon_layer: print(“图层加载失败”) exit() # 为点图层创建空间索引加速查询 point_index QgsSpatialIndex(point_layer.getFeatures()) # 用于存储结果的字典行政区划ID - 点数量 count_dict defaultdict(int) # 遍历每个面要素 for poly_feat in polygon_layer.getFeatures(): poly_geom poly_feat.geometry() # 获取与该面相交的点的ID列表 intersecting_point_ids point_index.intersects(poly_geom.boundingBox()) # 精确判断点是否在面内因为空间索引基于边界框 actual_count 0 for point_id in intersecting_point_ids: # 根据ID获取点要素 request QgsFeatureRequest().setFilterFid(point_id) point_feat next(point_layer.getFeatures(request)) point_geom point_feat.geometry() if poly_geom.contains(point_geom): actual_count 1 # 假设面图层有一个‘name’字段 district_name poly_feat[‘name’] if ‘name’ in poly_feat.fields().names() else poly_feat.id() count_dict[district_name] actual_count # 打印统计结果 for name, count in count_dict.items(): print(f“行政区划 [{name}] 内的POI数量为{count}”)评测结果理解度良好。AI理解了空间连接contain和统计的需求并引入了QgsSpatialIndex来优化性能这一点超出预期。代码质量良好。代码展示了标准的空间查询模式先通过空间索引快速筛选再进行精确的几何关系判断。使用了defaultdict简化计数逻辑。实践提示对于此类经典空间分析AI能生成很好的算法骨架。但需要注意如果数据量极大可能需要考虑更高效的批量处理方法。此外结果处理部分如将统计结果写回面图层的属性表可能需要进一步提示AI完成。小结通过以上四个层次的测试可以看出当前的AI编程助手特别是Codex和Claude 3.5对PyQGIS的核心API已有相当程度的理解。它们尤其擅长将自然语言描述的制图与样式需求转化为准确的代码这对于简化繁琐的GUI操作步骤具有革命性意义。在数据操作和空间分析方面AI能提供正确的算法方向和API调用示例但可能需要开发者进行一些调整和优化以适应具体场景。4. 完整实战案例基于AI辅助生成城市POI分布专题图现在我们将综合运用上述评测结果完成一个完整的实战项目制作一份城市公共设施点POI分布专题图并通过AI助手加速开发流程。项目目标加载POI数据按类型分类渲染为不同类型的设施创建比例符号显示数量越多符号越大并添加行政区划面作为底图最后输出一张布局精美的地图。4.1 项目结构与数据准备项目目录创建一个名为ai_gis_mapping的文件夹。数据放置将city_poi.shp点数据和districts.shp面数据放入./data/子文件夹。脚本文件在项目根目录创建main.py我们将在此编写主脚本。4.2 编写核心脚本AI辅助我们打开VS Code在main.py文件中可以分步骤向Copilot或通过聊天窗口向Claude描述需求逐步构建脚本。步骤1描述需求生成数据加载与基础检查代码。在代码编辑器中我们可以先写一个注释然后触发AI自动补全。# main.py # 使用PyQGIS加载data目录下的city_poi.shp和districts.shp图层检查它们是否加载成功并打印基本信息。 from qgis.core import QgsVectorLayer, QgsProject import os # 获取当前脚本所在目录并构建数据路径 base_dir os.path.dirname(__file__) poi_path os.path.join(base_dir, “data”, “city_poi.shp”) district_path os.path.join(base_dir, “data”, “districts.shp”) # 加载POI点图层 poi_layer QgsVectorLayer(poi_path, “city_poi”, “ogr”) # 加载行政区划面图层 district_layer QgsVectorLayer(district_path, “districts”, “ogr”) layers_to_add [] for layer, name in [(poi_layer, “POI”), (district_layer, “Districts”)]: if layer.isValid(): QgsProject.instance().addMapLayer(layer) print(f“{name}图层加载成功要素数{layer.featureCount()}”) layers_to_add.append(layer) else: print(f“{name}图层加载失败”) if not layers_to_add: print(“没有图层被成功加载请检查数据路径。”) exit()上述代码框架可由AI生成开发者补充路径逻辑和循环结构步骤2请求AI生成分类渲染代码。在文件后面继续编写注释或直接向AI提问“接下来为city_poi图层创建分类渲染根据‘type’字段为‘公园’设置绿色‘医院’设置红色‘学校’设置蓝色其他类型用灰色表示。” AI会生成类似于3.3节的代码。我们将其整合并修改为更通用的分类方法自动获取所有唯一值# 为POI图层创建分类渲染 if poi_layer and poi_layer.isValid(): from qgis.core import QgsCategorizedSymbolRenderer, QgsRendererCategory, QgsMarkerSymbol from qgis.PyQt.QtGui import QColor field_name ‘type’ unique_values poi_layer.uniqueValues(poi_layer.fields().lookupField(field_name)) categories [] color_map {‘公园’: ‘green’, ‘医院’: ‘red’, ‘学校’: ‘blue’} # 预定义颜色映射 for value in unique_values: value_str str(value) # 根据映射获取颜色默认为灰色 color_name color_map.get(value_str, ‘gray’) # 创建符号 symbol QgsMarkerSymbol.createSimple({‘name’: ‘circle’, ‘color’: color_name, ‘size’: ‘4’}) # 创建分类 category QgsRendererCategory(value, symbol, value_str) categories.append(category) renderer QgsCategorizedSymbolRenderer(field_name, categories) poi_layer.setRenderer(renderer) poi_layer.triggerRepaint() print(“POI分类渲染已应用。”)步骤3请求AI生成按密度创建比例符号的代码。这是一个进阶需求。我们可以描述“现在我想基于每个行政区划districts图层内的POI数量为districts图层创建比例符号渲染数量越多填充颜色越深。” AI可能会生成使用QgsGraduatedSymbolRenderer或QgsHeatmapRenderer的代码。我们选择按数量分级渲染# 为行政区划图层创建基于POI数量的分级渲染 if district_layer and district_layer.isValid() and poi_layer and poi_layer.isValid(): from qgis.core import QgsGraduatedSymbolRenderer, QgsRendererRange, QgsFillSymbol from qgis.PyQt.QtGui import QColor # 首先计算每个区的POI数量复用3.4节的部分逻辑 counts {} point_index QgsSpatialIndex(poi_layer.getFeatures()) for district_feat in district_layer.getFeatures(): district_geom district_feat.geometry() district_id district_feat.id() count 0 candidate_ids point_index.intersects(district_geom.boundingBox()) for pid in candidate_ids: req QgsFeatureRequest().setFilterFid(pid) point_feat next(poi_layer.getFeatures(req)) if district_geom.contains(point_feat.geometry()): count 1 counts[district_id] count # 将数量写入一个新字段临时属性 district_layer.dataProvider().addAttributes([QgsField(“poi_count”, QVariant.Int)]) district_layer.updateFields() district_layer.dataProvider().changeAttributeValues({district_id: {district_layer.fields().lookupField(“poi_count”): count}}) # 创建分级渲染器 field_name ‘poi_count’ ranges [] # 假设我们分为5级 max_count max(counts.values()) if counts else 1 classes 5 step max_count / classes for i in range(classes): lower i * step upper (i 1) * step if i ! classes - 1 else max_count 1 # 最后一级包含最大值 # 颜色从浅蓝到深蓝 color QColor(0, 0, 255, int(50 (i * 200/classes))) # 透明度/亮度变化 symbol QgsFillSymbol.createSimple({‘color’: color.name(), ‘outline_color’: ‘black’}) label f“{lower:.0f} - {upper:.0f}” range QgsRendererRange(lower, upper, symbol, label) ranges.append(range) renderer QgsGraduatedSymbolRenderer(field_name, ranges) district_layer.setRenderer(renderer) district_layer.triggerRepaint() print(“行政区划密度渲染已应用。”)4.3 运行与验证打开QGIS确保项目为空。打开QGIS的“插件” - “Python控制台”。在控制台中点击“显示编辑器”按钮打开脚本编辑器。将main.py的完整代码粘贴到编辑器中。点击“运行脚本”按钮。预期结果QGIS地图画布中会加载两个图层彩色的点状POI和按颜色深浅填充的行政区划。Python控制台会打印出图层加载成功、渲染应用成功的信息。在“图层”面板中可以查看两个图层的符号系统确认分类和分级渲染已生效。4.4 扩展使用AI生成地图布局代码最后我们可以尝试让AI生成导出地图的代码。需求描述“写一段PyQGIS代码创建一个打印布局Print Layout添加地图、图例、比例尺和标题并将布局导出为PDF文件。” AI会生成涉及QgsPrintLayout、QgsLayoutItemMap、QgsLayoutItemLegend等类的代码。由于代码较长这是展示AI在复杂、样板代码生成方面能力的绝佳场景。开发者可以将生成的代码整合到main.py末尾运行后即可在指定路径获得PDF格式的地图。5. 常见问题与排查思路在实际使用AI助手进行QGIS开发时你可能会遇到以下典型问题问题现象可能原因排查与解决思路AI生成的代码在QGIS中报错ImportError或NameError1. AI使用了QGIS不存在的模块或类。2. 代码中变量名拼写错误。3. 未正确导入PyQt5相关模块。1. 检查QGIS Python API文档确认类名和方法名是否正确。AI有时会“幻想”出不存在的方法。2. 仔细核对AI生成代码中的变量名确保前后一致。3. 在QGIS Python控制台中正确的导入通常是from qgis.core import *和from qgis.PyQt.QtCore import *AI可能省略。图层加载失败isValid()返回 False1. 文件路径错误。2. 文件格式不支持或文件损坏。3. 中文路径或空格导致问题。1. 使用os.path模块构建绝对路径并打印路径确认。2. 尝试在QGIS GUI中手动加载该文件看是否成功。3. 避免路径中包含中文和特殊字符或使用原始字符串r“path”。属性查询或渲染没有效果1. 字段名拼写错误或大小写不匹配。2. 表达式语法错误。3. 渲染器未正确应用到图层。1. 使用layer.fields().names()打印所有字段名进行核对。2. 在QGIS的“按属性选择”工具中测试你的表达式是否正确。3. 确保最后执行了layer.setRenderer(renderer)和layer.triggerRepaint()。空间分析或查询速度极慢AI生成的代码可能没有使用空间索引导致全表扫描。对参与空间查询的图层尤其是点图层使用QgsSpatialIndex建立空间索引如评测3.4所示。VS Code中Copilot不提示PyQGIS代码VS Code的Python环境未指向QGIS内置的Python解释器。1. 在VS Code中按CtrlShiftP输入 “Python: Select Interpreter”。2. 选择QGIS安装目录下的python.exe通常在QGIS安装目录\bin\python.exe或OSGeo4W\bin\python.exe。3. 确保VS Code能识别qgis模块。遇到网络热词中的错误如“deepseek-v4-pro” is not a model...使用的AI助手插件或平台配置的模型不支持或已过时。1. 检查插件配置确认其调用的模型端点或API密钥是否正确。2. 考虑切换到更通用的AI助手如GitHub Copilot或直接使用Claude/ ChatGPT的Web界面进行代码生成再复制到本地。6. 最佳实践与工程建议结合本次评测和实战经验总结出以下最佳实践帮助你将AI编程助手更高效、更稳定地融入GIS开发工作流分步提示迭代生成不要试图用一个复杂的提示词让AI生成全部代码。应像本文实战案例一样将任务分解为“加载数据”、“样式渲染”、“空间分析”、“导出地图”等步骤分步向AI提问并整合代码。这能提高生成代码的准确性和可控性。AI生成框架人工优化细节将AI视为高级“代码助手”而非“全自动开发者”。它擅长生成API调用框架和通用逻辑但对于性能优化如空间索引、异常处理的完整性如网络超时、数据缺失、以及项目特定的业务逻辑仍需开发者进行深度检查和优化。建立个人代码片段库将AI生成的、经过验证的常用PyQGIS代码片段如创建分类渲染、执行空间查询、导出地图布局保存起来。未来遇到类似需求时可以快速修改复用减少对AI的重复提问提升效率。紧密结合QGIS GUI进行验证在运行AI生成的脚本前尤其是进行复杂操作如删除要素、修改几何前务必先在小样本数据或备份数据上测试。同时善用QGIS的图形界面进行操作然后通过“历史记录”功能查看对应的PyQGIS命令这能帮助你理解和验证AI生成的代码。版本与环境管理明确记录你的QGIS版本、Python版本和AI助手模型版本。不同版本的API可能有细微差别。对于生产环境建议将成熟的脚本进行封装形成独立的QGIS处理模型或Python插件降低对特定AI服务或版本的依赖。安全与数据备份AI生成的代码可能包含潜在风险如递归删除文件、无限循环等。永远不要在未审核的情况下对原始数据或生产数据库运行AI生成的脚本。始终先备份数据在测试环境中验证。通过本次从环境搭建、核心功能评测到完整实战的深度探索我们可以清晰地看到以Claude Code和Codex为代表的AI编程助手已经能够显著提升QGIS地图制图与空间分析的开发效率。它们尤其擅长将自然语言意图转化为具体的PyQGIS API调用在数据可视化、样式配置等环节表现突出。尽管在复杂空间算法和极端性能优化上仍需人工主导但“AI生成框架人工精调优化”的模式无疑已成为GIS开发者值得掌握的新工作范式。建议读者从文中的简单任务开始尝试逐步积累自己的提示词经验和代码片段库从而真正将AI的能力转化为个人生产力的飞跃。
