geoai-skills

GeoAI Skills

IA geoespacial deve saber quando não responder

Um comando pode ser bem-sucedido enquanto a afirmação geográfica ainda está errada.

GeoAI Skills é uma coleção neutra de fornecedores com 18 Agent Skills para a camada metodológica entre uma solicitação do usuário e uma afirmação geoespacial. As skills não substituem GDAL, PostGIS, Earth Engine, ArcGIS, QGIS, bibliotecas Python ou servidores MCP. Elas informam a um agente quais pré-condições devem ser atendidas, quais verificações devem ser executadas, quais evidências devem ser relatadas e quando os dados disponíveis não podem sustentar a conclusão solicitada.

Duas medições são mostradas acima e deliberadamente não são agrupadas. O cartão de roteamento cobre 167 casos no Claude Code 2.1.214, claude-sonnet-5, suíte efe27d8c1736…. O pacote de comportamento cobre 92 pares limpos no Claude Code 2.1.222, o mesmo nome de modelo e suíte 520bc41dd4c0…. Ambos descrevem um par runtime/modelo e não são afirmações universais ou independentes de modelo. Os números de comportamento são avaliados por modelo, não calibrados e ainda não verificados por humanos.

Sucesso é uma afirmação defensável — ou uma parada justificada.
Instalar · Ver o limite · Inspecionar as evidências · Pôster estático

A animação usa uma solicitação pública e sintética. Ela demonstra o método que as skills codificam; não afirma que todo runtime produzirá texto idêntico.

Início rápido

Instale todas as 18 skills para Codex:

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

Ou instale um especialista para Claude Code:

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

Depois pergunte naturalmente:

As cenas Sentinel-2 de maio de 2024 e setembro de 2025 podem sustentar uma afirmação defensável de hectares alterados?

O especialista relevante deve testar a comparabilidade das observações antes de propor aritmética de pixels. Neste exemplo, a incompatibilidade de estação bloqueia uma afirmação defensável de área em duas datas, então a resposta útil não é um número fabricado: é o motivo para parar e as evidências necessárias para continuar.

O que torna isso diferente

Existem projetos vizinhos reais. A diferença é o centro de gravidade, não uma afirmação de que toda outra coleção de skills é intercambiável ou inferior.

O que é incomum aqui é a combinação:

1. Pré-condições de afirmação, não apenas conhecimento de API. Um resultado deve sobreviver a verificações de CRS, unidade, validade, comparabilidade, vazamento, incerteza e proveniência.
2. Um modo de falha seguro. Evidências ausentes produzem uma afirmação mais estreita, esclarecimento, plano provisório ou recusa—não certeza inventada.
3. Especialistas roteados. Um grande prompt geoespacial não é carregado para cada tarefa; a propriedade de domínio e colisões são explícitas e testadas.
4. Falhas publicadas. Evidências de roteamento, evidências de comportamento pareadas, regressões conhecidas, erros de execução, custos, hashes de suíte e o portão de qualidade reprovado permanecem visíveis.

Escolha OpenMapStack quando você quiser seu contrato de projeto de stack aberto executável. Escolha uma coleção de plataforma quando essa plataforma for o problema. Use GeoAI Skills quando a questão difícil for se o método e as evidências podem sustentar a afirmação de forma alguma. Esses projetos podem se complementar.

O que muda quando as skills estão presentes

As skills complementam ferramentas e runtimes. Elas são a camada de método e verificação que informa a um agente quando não confiar em uma operação aparentemente bem-sucedida.

Evidências com limites

Primeira medição de comportamento pareada

O primeiro pacote de comportamento compara skills habilitadas e desabilitadas sob o mesmo runtime, modelo, prompts e configuração de ferramentas não relacionadas a skills. De 93 respostas em cada braço, 92 formaram pares pareados limpos.

Dois fatos devem viajar juntos:

• O efeito pareado é grande nesta execução. O braço habilitado vence 65 das 70 comparações de critérios discordantes, e as falhas espaciais críticas observadas caem de 13 casos para 4.
• O nível absoluto de qualidade não é bom o suficiente. O braço habilitado cobre 48% dos critérios fixados, mas apenas 18/92 casos (19,6%) atendem a todos os critérios, e a taxa de falhas críticas é de 4,3%. O portão da Fase 3 do repositório se aplica a essa taxa de aprovação em nível de caso: exige pelo menos 85% mais menos de 2% de falhas críticas. Ele falha em ambas as condições.

Publicamos o portão que reprovamos.

Este é um julgamento de modelo de família diferente e único (gpt-5.6-sol, raciocínio baixo) de respostas de claude-sonnet-5. Não é calibrado e não tem verificação humana concluída. Quarenta e sete pacotes de revisão humana cegos por braço estão preparados; até que a arbitragem seja concluída, esses números são evidências sobre esta execução, não uma afirmação de qualidade geral de resposta verificada por humanos. O texto bruto das respostas permanece não publicado para evitar contaminação dessa revisão; hashes e comprimentos preservam a identidade.

Leia o pacote de evidências de comportamento para proveniência, empates, estrutura de critérios, o caso de terminação excluído, custo, tokens e limitações. O rótulo histórico somente de roteamento behavior_quality-not_evaluated se aplica ao cartão de roteamento anterior—não ao inventário de evidências atual do repositório.

Quatro camadas de evidências, mantidas separadas

O cartão de roteamento e o pacote de comportamento usam versões diferentes do Claude Code e hashes de suíte diferentes; não combine suas métricas. O subconjunto externo é autorado independentemente e relatado separadamente. Ele não copia conjuntos de dados, prompts ou implementações de referência upstream, e seus resultados nunca são agrupados com métricas nativas. Veja seu protocolo de suíte congelada e resultado offline.

A execução somente de roteamento registrou 99,17% de precisão, 96,77% de recall e 96,41% de precisão de rota completa na suíte efe27d8c1736…, com zero ativações de controle. Também registrou um falso positivo, quatro falsos negativos, uma rota incompleta e onze erros de execução; todos permanecem no cartão. O roteamento diz qual skill foi carregada, não se a resposta estava correta.

Leia BENCHMARK.md para roteamento e defeitos conhecidos, e BEHAVIOR.md para o cartão de comportamento separado. Veja EVALUATION.md para o protocolo neutro de fornecedor preparar → executar → julgar → pontuar → comparar e ROADMAP.md para as evidências abertas e portões de lançamento.

Se você quer que evidências medidas e pré-registradas como estas continuem sendo publicadas, dê uma estrela no repositório para que o trabalho seja mais fácil de encontrar e sustentar.

O stack de 18 skills

Instale o conjunto completo para roteamento entre skills, ou escolha um especialista isolado. Cada skill deve permanecer segura e útil sozinha; referências a skills irmãs são apenas orientativas e as salvaguardas críticas possuem alternativas locais.

Instalação

Escolha a superfície que você já utiliza.

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

O GitHub Copilot pode carregar skills de projeto a partir de .github/skills, .claude/skills, ou .agents/skills. Com o GitHub CLI 2.90.0 ou posterior, visualize antes de instalar:

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

O Skills CLI também fornece um alvo explícito para Copilot:

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

Consulte a documentação de Agent Skills do GitHub para locais suportados, fixação de versão, proveniência e orientações de segurança.

python tools/build_skill_archives.py

Os mantenedores de release devem usar RELEASING.md para o fluxo de trabalho de candidatos não publicados, matriz de instalação limpa, requisitos de evidência, portão de publicação e procedimento de reversão.

Experimente estes prompts

Rejeitar uma alegação inválida de mudança

Planeje um fluxo de trabalho defensável de perda florestal com duas datas de Sentinel-2. Uma cena é de maio de 2024 e a outra de setembro de 2025. Decida se essa comparação pode sustentar uma alegação de hectares alterados.

Intervenção esperada: identificar a incompatibilidade de fenologia; suspender a alegação de hectares; solicitar imagens de estação correspondente ou uma série temporal sensível à estação; exigir registro, máscaras mútuas, análise de sensibilidade e incerteza de área ajustada por erro.

Tornar o SQL espacial mensurável e seguro para índices

Projete SQL PostGIS seguro para produção que retorne área alagada em hectares por lote para duas grandes tabelas de polígonos em EPSG:4326. Inclua tratamento de geometria inválida e um plano de verificação com EXPLAIN.

Intervenção esperada: selecionar um CRS de medição projetado adequado, evitar transformar colunas indexadas dentro de predicados, reparar geometria de trabalho derivada, deduplicar sobreposições e verificar o plano de consulta.

Recusar pesos de adequação inconsistentes

Use esta matriz pareada AHP para construir um mapa de adequação solar. Sua razão de consistência é 0,19.

Intervenção esperada: rejeitar os pesos antes do mapeamento, identificar julgamentos discordantes, exigir revisão e preservar a análise de sensibilidade como entregável.

Como funciona

1. Acionamento restrito. As descrições dos especialistas identificam a decisão de domínio que é dona da tarefa; casos negativos e de colisão testam o acionamento excessivo.
2. Carregamento progressivo. O agente lê apenas o SKILL.md relevante e, em seguida, carrega referências ou scripts quando necessário.
3. Imposição de invariantes. CRS, validade, vazamento, unidades, incerteza, proveniência, verificação e comportamento de falha percorrem todo o fluxo de trabalho.
4. Roteamento entre especialistas. O orquestrador coordena trabalho genuíno de múltiplas etapas sem substituir o julgamento do especialista.
5. Falha ruidosa. Entradas ausentes produzem uma alegação mais restrita, plano provisório, esclarecimento ou recusa—nunca evidência inventada.

Princípios de design

1. Computação espacial com falha ruidosa. Execução bem-sucedida não é prova de um resultado geográfico válido.
2. Honestidade metodológica. Incerteza, correção para testes múltiplos, sensibilidade e estimativas ajustadas por erro são saídas de primeira classe.
3. Anti-vazamento por padrão. Validação espacial e agrupada substitui divisões aleatórias sempre que a generalização geográfica é alegada.
4. Orientação pragmática de ferramentas e neutra de fornecedores. Python aberto, PostGIS/DuckDB, Earth Engine, ArcGIS e outros backends são selecionados por evidência e escala.
5. Divulgação progressiva. Referências longas e scripts não custam contexto até que a tarefa realmente precise deles.
6. Medido, não presumido. Casos de origem, evidências de execução, hashes do conjunto, erros, custos, limitações e resultados substituídos permanecem distinguíveis.

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

Contribuindo

Contribuições são bem-vindas. Comece com CONTRIBUTING.md. Uma tarefa atual também deve respeitar ROADMAP.md, enquanto perguntas e defeitos reproduzíveis pertencem aos canais descritos por SUPPORT.md. Decisões de projeto e evidências seguem GOVERNANCE.md. Uma alteração de skill deve:

• passar nos validadores estruturais e de links;
• adicionar ou atualizar casos de avaliação;
• evitar duplicar regras canônicas transversais;
• definir verificação e comportamento de falha; e
• manter os pacotes de tempo de execução livres de material de benchmark e desenvolvimento privado.

Descobertas do mundo real pertencem a CASE_STUDIES.md somente quando incluem um reprodutor datado e seguro para privacidade, evidência de comparação, método de verificação e limitações.

Licença

MIT — use, faça fork e publique.