之前刷论坛的时候，经常看到有大佬用一张照片，就能推理出你人在哪。
神乎其神，如下图：
现在进入 AI 时代了，这种能力居然也被人开发成了一个开源工具。
最近扒到一个很恐怖的 GitHub 项目，它可以只凭一张照片，自动分析画面里的山脊线、桥墩间距、阴影角度这些线索。
然后，利用 OpenStreetMap 地理数据和卫星影像，一步步推理出拍摄的精确位置。
9 月中旬刚上线，一个月不到就冲到了 2k Stars。
仓库链接：https://github.com/Oldcircle/geo-sleuth
为了防止这个项目是套壳骗 Star 的，我去实测了一波，说实话，给我吓坏了。
我测了八组照片，成功了七组。
第一张给到的照片，是一张中国二线城市的小众景点。
图片不是很清晰，有些年代感了。
不到五分钟，Codex 就返回了答案。
连建筑本体是什么塔都识别出来了，还给到了具体的地理坐标，高德地图坐标。
它发现照片里没有能识别的文字后，用百度和 Yandex 反向搜图，轻松找到了景点信息。
不过，这张图来自官方图库，本来就容易搜索到。
以上只是开胃菜，后面题目的难度会逐渐递增。
第二题，我给了一个更冷门的建筑物。
上海某地的花园洋房，单看外观很容易以为是在国外。
估计就算是本地人，也要反应一下才知道这是哪里。
图片是社媒信息流里随手刷到的，很新。
推理过程用了八分钟，但 Codex 在第四分钟的时候，已经找到了正确答案思南公馆。
然后，它又穷举了十几种类似外观的建筑物。
依次对比房屋结构，特别是窗户大小、屋檐的卷翘程度。
不仅搜罗了国内的，连国外的同款建筑也被它拉出来做比对。
最后，给到我这样的答案。
emmm….未免有点太严谨了。
这题就算它对吧。
接着，我又给到了两栋比较有特色的建筑物。
这是北京昌平的超级合生汇，拥有花瓣形的穹顶天幕。
这是广西北海的北部湾一号，以镂空洞口为特色。
国内外用花瓣穹顶设计的建筑并不少，比如南宁国际会展中心的朱槿花穹顶、宁波网球中心的茶花穹顶。
但是细节设计并不相同。
它重点对比了三项：穹顶的菱形花纹、漏斗状支撑和三角形底座。
只有三项都符合才能进入下一轮筛选。
做第二题时，它除了对比建筑的镂空洞口和窗户排列，还重点观察了卫星图里楼群的弯曲轮廓，以及楼群、道路和海岸线的位置关系。
果然，这两题没有任何难度，只用了 3 分钟就找出来了。
难道是题目太简单？?
同样的图丢给没配工具的 DeepSeek，5 秒就给我一个错误答案，尴尬。
然后我尝试去测了一下生活中的随手拍，能不能倒推出发生地点。
这构图，这画质，可以说是非常糟糕了。
干扰因素特别多，识别很容易出幻觉。
虽然花了点时间，但仍旧 5 分钟内出正确结果。
它先提取了照片里最核心的几个特征。
比如那个不规则木头拱门的造型，还有“动物奇妙之旅”的招牌字样。
紧接着，它把旁边戴眼镜的长颈鹿，还有那只小熊猫雕像也单独拎了出来。
拿着这些线索去全网反向搜图。
你看截图里这一排排密密麻麻的图，全是它找出来的候选比对图。
里面有抖音的，小红书的，还有百度、马蜂窝和携程的。
里面甚至有“无锡动物园”这种相似的干扰项。
最后它发现无锡那个门头造型和动物雕像对不上。
排除了所有长得像的，锁定了唯一完美匹配各项细节的南通森林野生动物园。
感叹一句，以后在网上发照片，真的得小心点了。
因为在这个时代，照片根本没有秘密。
同样，我还试着给它一组平平无奇的办公楼照片，看他能不能找到照片的位置。
这个我感觉比找动物园还难，毕竟动物园是个公共景点，反向搜图多少能搜到点东西。
但一栋办公楼，满大街一模一样，这怎么找？
因为太难了，所以我给了提示，告诉它地点在北京。
它先尝试放大读取路牌信息，失败了，因为我是反方向拍摄的。
然后做了一轮声势浩大的穷举。
果然办公楼都是相似的，找了几十张外观高度吻合的图片，还是不能完全排除错误结果。
不过，这轮穷举也给了 AI 一点思路。
它发现可以重点对比花坛、窗带细节。
这样就可以更快从差不多的结果中，筛选出更准确的。
有思路后，它很快找到了相应地点的竣工报道，开始逐一排除。
连街道、具体门牌号和园区名称都说出来了。
结果打一下码不然全部暴露…
这个时候我已经很害怕了，但转念一想，如果这项技术能帮救援人员从照片里找到失联者的位置呢？
于是，我又拿了鳌太线的照片来测试。
鳌太线是陕西秦岭一条连接鳌山和太白山的高山穿越线路，很多路段都在海拔3000米以上。
沿途大片石海、山脊和无人区，天气变化快，一旦迷路或失温，救援十分困难。
看过“神秘园”的人应该都知道，这条线路有多凶险。
原图：
五分钟左右，AI 就对比到了相似地点。
精确定位拍摄位置。
但是这一段还勉强属于景区的范畴，不在真正的穿山无人区线路上。
我直接给到了鳌太线无人区实拍图片，让它试一试能否指出准确的路段。
它一顿操作猛如虎，甚至还去扒了爱奇艺上的驴友视频。
最后，在飞机梁和荞麦梁徘徊不定，两者距离2公里。
最终选择了错误答案。
这道题算是翻车了。
不过说实话也不冤，AI 做推理的主要逻辑是拿照片去比对已有的街景、卫星图和网上的图片资料。
这条线是无人区，如果已有资料和数据不全面，确实巧妇难为无米之炊。
好了，实测看完了，具体解释一下这个工具是怎么做到锁定拍摄地点的。
整条流水线分三步走。
第一步，榨干照片里所有信息。
intake.py 会读取 EXIF、跑 OCR 文字识别、执行百度/Yandex 反向搜图。
同时分析画面中的几何要素。
桥墩间距变成距离尺，阴影方向变成镜头方位角。
山脊线变成可以和高程数据匹配的“指纹”。
第二步，用脚本穷举候选位置。
terrain.py 会通过 OpenStreetMap 拉取区域内的所有相关地物，结合高程数据计算 360° 地平线轮廓，把候选点从几万个缩小到几十个。
然后 sat_scan.py 和 match.py 用 CLIP 和 DINOv2 等视觉模型筛选卫星瓦片，gsv.py 比对街景全景图。
第三步，大模型在少数候选里做最终判断。
每个结论都必须指向具体的脚本命令和生成的证据文件。
最终输出的是：经纬度 ± 误差半径、相机朝向、一张卫星证据图，以及分级置信度。
安装命令：
npx skills add Oldcircle/geo-sleuth -g -a claude-code -a codex -a cursor -a gemini-cli -a opencode -a github-copilot -y
直接粘贴到 Claudecode 或者 codex 里使用，其他 Agent 也可以。
我看了下对这个项目的评价，褒贬不一，有人说是玩具，也有人觉得潜力很大。
我觉得目前用在有明显地标或者建筑特征的场景，已经很惊艳了。
但是一些纯自然环境、特征不明显的场景还是需要提升一下。
以前大佬们做那种照片定位推理到底牛在哪？
就是有自己的思路，方法论。
这个项目干的事，就是把这套方法论工程化了。
它不再是某个人的绝活，而即将成为所有人都能用的基础能力。
AI 可以不单靠搜图碰运气，靠的是几何、地形、光影去做一整套有依据的证据链推理，大大减少了幻觉。
想想看，如果救援队拿到一张失联者发出的模糊照片，几分钟就能通过 AI 缩小搜索范围，那意味着什么？
如果刑侦人员能从嫌疑人随手发的一张图，用 AI 反推出藏匿地点呢？
未来随着这类工具不断迭代，这些场景可能都不再是想象。
感兴趣的赶紧去玩一下吧！
相关文章
津公网安备12011002023007号