geoai-skills

GeoAI Skills

La IA geoespacial debería saber cuándo no responder

Un comando puede tener éxito mientras la afirmación geográfica sigue siendo incorrecta.

GeoAI Skills es una colección independiente del proveedor de 18 Agent Skills para la capa metodológica entre una solicitud del usuario y una afirmación geoespacial. Las habilidades no reemplazan a GDAL, PostGIS, Earth Engine, ArcGIS, QGIS, bibliotecas de Python ni servidores MCP. Le indican a un agente qué condiciones previas deben cumplirse, qué verificaciones deben ejecutarse, qué evidencia debe informarse y cuándo los datos disponibles no pueden respaldar la conclusión solicitada.

Arriba se muestran dos mediciones que deliberadamente no se combinan. La tarjeta de enrutamiento cubre 167 casos en Claude Code 2.1.214, claude-sonnet-5, suite efe27d8c1736…. El paquete de comportamiento cubre 92 pares limpios en Claude Code 2.1.222, el mismo nombre de modelo y la suite 520bc41dd4c0…. Ambos describen un par runtime/modelo y no son afirmaciones universales ni independientes del modelo. Las cifras de comportamiento son evaluadas por modelo, no calibradas y aún no verificadas por humanos.

El éxito es una afirmación defendible — o una detención justificada.
Instalar · Ver el límite · Inspeccionar la evidencia · Póster estático

La animación utiliza una solicitud pública y sintética. Demuestra el método que las habilidades codifican; no afirma que cada runtime producirá texto idéntico.

Inicio rápido

Instala las 18 habilidades para Codex:

npx skills add muend/geoai-skills --skill '*' -a codex

O instala un especialista para Claude Code:

npx skills add muend/geoai-skills \
  --skill remote-sensing-analysis \
  -a claude-code

Luego pregunta de forma natural:

¿Pueden las escenas Sentinel-2 de mayo de 2024 y septiembre de 2025 respaldar una afirmación defendible de hectáreas cambiadas?

El especialista relevante debería probar la comparabilidad de las observaciones antes de proponer aritmética de píxeles. En este ejemplo, el desajuste de temporada bloquea una afirmación defendible de área en dos fechas, por lo que la respuesta útil no es un número fabricado: es el motivo para detenerse y la evidencia necesaria para continuar.

Qué hace que esto sea diferente

Existen proyectos vecinos reales. La diferencia es el centro de gravedad, no una afirmación de que cualquier otra colección de habilidades sea intercambiable o inferior.

Lo inusual aquí es la combinación:

1. Condiciones previas de afirmación, no solo conocimiento de API. Un resultado debe sobrevivir a verificaciones de CRS, unidades, validez, comparabilidad, fugas, incertidumbre y procedencia.
2. Un modo de fallo seguro. La evidencia faltante produce una afirmación más estrecha, aclaración, plan provisional o rechazo, no certeza inventada.
3. Especialistas enrutados. Un gran prompt geoespacial no se carga para cada tarea; la propiedad de dominio y las colisiones son explícitas y probadas.
4. Fallos publicados. La evidencia de enrutamiento, la evidencia de comportamiento emparejada, las regresiones conocidas, los errores de ejecución, los costos, los hashes de suite y la puerta de calidad fallida permanecen visibles.

Elige OpenMapStack cuando quieras su contrato de proyecto de stack abierto ejecutable. Elige una colección de plataforma cuando esa plataforma sea el problema. Usa GeoAI Skills cuando la pregunta difícil sea si el método y la evidencia pueden respaldar la afirmación en absoluto. Estos proyectos pueden complementarse entre sí.

Qué cambia cuando las habilidades están presentes

Las habilidades complementan herramientas y runtimes. Son la capa de método y verificación que le dice a un agente cuándo no confiar en una operación aparentemente exitosa.

Evidencia con límites

Primera medición de comportamiento emparejada

El primer paquete de comportamiento compara habilidades habilitadas y deshabilitadas bajo el mismo runtime, modelo, prompts y configuración de herramientas que no son habilidades. De 93 respuestas en cada brazo, 92 formaron pares emparejados limpios.

Dos hechos deben viajar juntos:

• El efecto emparejado es grande en esta ejecución. El brazo habilitado gana 65 de las 70 comparaciones de criterios discordantes, y los fallos espaciales críticos observados caen de 13 casos a 4.
• El nivel de calidad absoluto no es suficientemente bueno. El brazo habilitado cubre el 48% de los criterios fijados, pero solo 18/92 casos (19.6%) cumplen todos los criterios, y la tasa de fallos críticos es del 4.3%. La puerta de Fase 3 del repositorio se aplica a esa tasa de aprobación a nivel de caso: requiere al menos 85% más menos del 2% de fallos críticos. Falla ambas condiciones.

Publicamos la puerta que fallamos.

Este es un juicio de modelo único de familia diferente (gpt-5.6-sol, razonamiento bajo) de respuestas de claude-sonnet-5. No está calibrado y no tiene verificación humana completada. Se preparan cuarenta y siete paquetes de revisión humana con brazos cegados; hasta que se complete la adjudicación, estas cifras son evidencia sobre esta ejecución, no una afirmación de calidad general de respuesta verificada por humanos. El texto de respuesta sin procesar permanece sin publicar para evitar contaminar esa revisión; los hashes y las longitudes preservan la identidad.

Lee el paquete de evidencia de comportamiento para procedencia, empates, estructura de criterios, el caso de terminación excluido, costo, tokens y limitaciones. La etiqueta histórica solo de enrutamiento behavior_quality-not_evaluated se aplica a la tarjeta de enrutamiento anterior, no al inventario de evidencia actual del repositorio.

Cuatro capas de evidencia, mantenidas separadas

La tarjeta de enrutamiento y el paquete de comportamiento usan diferentes versiones de Claude Code y diferentes hashes de suite; no combines sus métricas. El subconjunto externo está escrito de forma independiente y se informa por separado. No copia conjuntos de datos, prompts o implementaciones de referencia ascendentes, y sus resultados nunca se combinan con métricas nativas. Consulta su protocolo de suite congelada y resultado sin conexión.

La ejecución solo de enrutamiento registró 99.17% de precisión, 96.77% de recuperación y 96.41% de precisión de ruta completa en la suite efe27d8c1736…, con cero activaciones de control. También registró un falso positivo, cuatro falsos negativos, una ruta incompleta y once errores de ejecución; todos permanecen en la tarjeta. El enrutamiento indica qué habilidad se cargó, no si la respuesta fue correcta.

Lee BENCHMARK.md para enrutamiento y defectos conocidos, y BEHAVIOR.md para la tarjeta de comportamiento separada. Consulta EVALUATION.md para el protocolo neutral de proveedor preparar → ejecutar → evaluar → puntuar → comparar y ROADMAP.md para la evidencia abierta y las puertas de lanzamiento.

Si quieres que evidencia medida y pre-registrada como esta siga publicándose, marca el repositorio con una estrella para que el trabajo sea más fácil de encontrar y sostener.

El stack de 18 habilidades

Instala el conjunto completo para el enrutamiento entre habilidades, o elige un especialista individual. Cada habilidad debe seguir siendo segura y útil por sí sola; las referencias entre pares son orientativas y los salvaguardas críticos tienen respaldos locales.

Instalación

Elige la superficie que ya usas.

npx skills add muend/geoai-skills --list

npx skills add muend/geoai-skills --skill '*' -a claude-code

npx skills add muend/geoai-skills --skill '*' -a codex

python tools/build_openai_plugin_bundle.py

claude plugin marketplace add muend/geoai-skills
claude plugin install geoai@geoai-skills

/plugin marketplace add muend/geoai-skills
/plugin install geoai@geoai-skills

/geoai:remote-sensing-analysis

GitHub Copilot

GitHub Copilot puede cargar habilidades de proyecto desde .github/skills, .claude/skills, o .agents/skills. Con GitHub CLI 2.90.0 o posterior, previsualiza antes de instalar:

gh skill preview muend/geoai-skills remote-sensing-analysis
gh skill install muend/geoai-skills remote-sensing-analysis

La CLI de Skills también proporciona un objetivo explícito para Copilot:

npx skills add muend/geoai-skills \
  --skill remote-sensing-analysis \
  -a github-copilot

Consulta la documentación de Agent Skills de GitHub para conocer las ubicaciones admitidas, el anclaje de versiones, la procedencia y las pautas de seguridad.

python tools/build_skill_archives.py

Los mantenedores de releases deben usar RELEASING.md para el flujo de trabajo de candidatos no publicados, la matriz de instalación limpia, los requisitos de evidencia, la puerta de publicación y el procedimiento de reversión.

Prueba estos prompts

Rechazar una afirmación de cambio inválida

Planifica un flujo de trabajo defendible de pérdida forestal con dos fechas de Sentinel-2. Una escena es de mayo de 2024 y la otra de septiembre de 2025. Decide si esta comparación puede respaldar una afirmación de hectáreas cambiadas.

Intervención esperada: identificar el desajuste de fenología; retener la afirmación de hectáreas; solicitar imágenes de temporada coincidente o una serie temporal consciente de la temporada; exigir registro, máscaras mutuas, análisis de sensibilidad e incertidumbre de área ajustada por error.

Hacer que el SQL espacial sea medible y seguro para índices

Diseña SQL de PostGIS seguro para producción que devuelva el área inundada en hectáreas por parcela para dos tablas de polígonos grandes en EPSG:4326. Incluye manejo de geometrías inválidas y un plan de verificación con EXPLAIN.

Intervención esperada: seleccionar un CRS de medición proyectado adecuado, evitar transformar columnas indexadas dentro de predicados, reparar la geometría de trabajo derivada, deduplicar superposiciones y verificar el plan de consulta.

Rechazar pesos de idoneidad inconsistentes

Usa esta matriz de pares AHP para construir un mapa de idoneidad solar. Su razón de consistencia es 0.19.

Intervención esperada: rechazar los pesos antes de mapear, identificar juicios discordantes, exigir revisión y preservar el análisis de sensibilidad como entregable.

Cómo funciona

1. Activar de forma específica. Las descripciones de los especialistas identifican la decisión de dominio que es dueña de la tarea; los casos negativos y de colisión prueban la sobreactivación.
2. Cargar progresivamente. El agente lee solo el SKILL.md relevante, y luego carga referencias o scripts cuando es necesario.
3. Hacer cumplir invariantes. CRS, validez, fugas, unidades, incertidumbre, procedencia, verificación y comportamiento ante fallos viajan a lo largo del flujo de trabajo.
4. Enrutar entre especialistas. El orquestador coordina trabajo genuino de múltiples etapas sin reemplazar el juicio del especialista.
5. Fallar de forma audible. Las entradas faltantes producen una afirmación más limitada, un plan provisional, una aclaración o un rechazo—no evidencia inventada.

Principios de diseño

1. Computación espacial que falla de forma audible. La ejecución exitosa no es prueba de un resultado geográfico válido.
2. Honestidad metodológica. La incertidumbre, la corrección por pruebas múltiples, la sensibilidad y las estimaciones ajustadas por error son resultados de primera clase.
3. Anti-fugas por defecto. La validación espacial y agrupada reemplaza las divisiones aleatorias siempre que se afirme una generalización geográfica.
4. Guía pragmática con herramientas y neutral respecto al proveedor. Python abierto, PostGIS/DuckDB, Earth Engine, ArcGIS y otros backends se seleccionan según la evidencia y la escala.
5. Divulgación progresiva. Las referencias y scripts largos no cuestan contexto hasta que la tarea realmente los necesita.
6. Medido, no asumido. Los casos fuente, la evidencia de ejecución, los hashes del conjunto, los errores, los costos, las limitaciones y los resultados superados permanecen distinguibles.

geoai-skills/
├── skills/<skill-name>/
│   ├── SKILL.md
│   ├── agents/openai.yaml
│   ├── scripts/
│   └── references/
├── evals/cases/<skill>/       # native cases governed by the committed split
├── evals/external/            # separately reported transfer suites
├── tools/                     # validators, adapters, builders, and gates
├── benchmarks/                # immutable published evidence packages
├── .codex-plugin/             # OpenAI skills-only plugin manifest
├── .claude-plugin/            # Claude marketplace and plugin manifests
├── BENCHMARK.md               # routing card and limitations
├── BEHAVIOR.md                # paired behavior card and open quality gate
├── EVALUATION.md              # provider-neutral evaluation protocol
├── CASE_STUDIES.md            # evidence policy and accepted cases
├── ROADMAP.md                 # canonical current priorities and release gate
└── RELEASING.md               # release and rollback runbook

Contribuciones

Las contribuciones son bienvenidas. Comienza con CONTRIBUTING.md. Una tarea actual también debe respetar ROADMAP.md, mientras que las preguntas y los defectos reproducibles pertenecen a los canales descritos en SUPPORT.md. Las decisiones de proyecto y evidencia siguen GOVERNANCE.md. Un cambio de habilidad debe:

• pasar los validadores estructurales y de enlaces;
• añadir o actualizar casos de evaluación;
• evitar duplicar reglas transversales canónicas;
• definir el comportamiento de verificación y fallo; y
• mantener los paquetes de tiempo de ejecución libres de material de referencia y desarrollo privado.

Las capturas del mundo real pertenecen a CASE_STUDIES.md solo cuando incluyen un reproductor fechado y seguro para la privacidad, evidencia comparativa, método de verificación y limitaciones.

Licencia

MIT — úsalo, hazle fork y publícalo.