大型语言模型（LLM）和大规模多模态模型（LMM）使得能够将自然语言理解与工具执行相结合的代理系统成为可能。在地理信息系统（GIS）领域，这一变革正把传统的专家驱动工作流转变为半自主系统，能够解析用户意图、构建空间工作流并执行地理空间分析任务。然而，现有方法在推理、执行和评估的集成上仍然碎片化，尤其在复杂真实环境中表现不足。
本文综述了近期的代理式 GIS 框架、基准测试和调研，指出在空间推理、执行鲁棒性、验证、治理和评估方面的主要瓶颈。基于这些洞察，提出 ANASSA（Autonomous Neural Agents for Spatial Systems Architecture），它是一套统一的代理 AI 编排框架，包含结构化空间推理、多代理工作流编排、执行反馈、权威空间验证、溯源、 uncertainty 处理以及人类决策授权等功能。
ANASSA 的核心设计是一份架构层面的规范：四层结构、十一项组件以及六步“地理空间 AI 认知循环”。每个组件通过跨组件合约进行交互，并配备治理机制，确保工作流的可追溯、可复现和可问责。具体层次包括感知层、推理层、执行层和治理层；关键组件如意图解析、空间语义图、任务调度、执行监控、结果验证等。
本文不提供实现细节的性能评估，而是为后续的系统实现和部署研究提供完整的设计蓝图，旨在推动代理式 GIS 系统向更高的可靠性和透明度迈进。
点评