浙江
摘要
经历业务项目收缩下线之后，我把 GEO 地理位置体系作为重点研究方向。过往做业务时只会直接调用第三方地理 API，线上踩过接口限流、地址解析错乱、POI 匹配偏差各类故障。本文结合实践聊聊，如何借助 AI 能力，弥补传统 GEO 业务里的数据校验、地址清洗、边界异常处理的短板，给业务系统增加兜底能力。
正文
在上一个业务项目收缩停更之后，我开始沉下心系统研究 GEO 地理位置整套体系。
过去做业务开发，我对地理能力的理解非常浅薄：地址解析、坐标转换、POI 检索、电子围栏圈选，全部当成现成黑盒组件，直接调用第三方 API 就完事，几乎不会做额外的兜底处理。
小流量阶段一切太平，一旦业务用户规模上涨，第三方服务的短板就会直接传导到我们自身业务。接口限流超时、地址文本五花八门解析失败、不同坐标系坐标偏移、POI 名称匹配错乱，这些问题集中爆发的时候，上层业务流程直接跟着瘫痪。
单纯依赖外部接口，相当于把业务命脉交给了第三方，一旦外部服务抖动，我们没有任何缓冲手段。
最开始我想的解决方案，是自建一套完整 GEO 底层库，但完整维护全国地址库、POI 数据集成本极高，中小团队很难投入这么多人力。
在调研实践中我发现，AI 大模型可以作为很好的中间缓冲层，不需要我们维护海量原始地理数据，就可以解决很多传统 GEO 接口搞不定的脏数据场景。
传统地理接口有很明显的局限性：
用户输入的地址五花八门，简写、错别字、口语化地址、缺少省市区的残缺地址，标准地址解析接口识别效果很差。比如用户随便输入一个 “XX 小区二期门口便利店”，传统接口很难规整出标准省市区街道。
同时，第三方接口返回的 POI 结果经常出现匹配漂移，明明是 A 门店，接口返回邻近 B 门店坐标，业务没有二次校验逻辑，就会产生大量错误业务数据。
而 AI 可以承担前置预处理工作，放在第三方 GEO 接口之前做一层防护。
第一点：**地址文本清洗与标准化**
面对用户输入的杂乱原始地址，交给大模型做规整，把残缺、口语、有错别字的原始文本，统一输出标准化省‑市‑区‑街道‑详细地址结构。
不需要完全替代专业地理 SDK，而是先把脏地址过滤矫正一遍，再送入第三方解析接口，大幅提升解析成功率，降低接口返回错乱数据的概率。
第二点：**POI 结果二次校验纠偏**
第三方 API 返回 POI 名称、经纬度之后，交给 AI 做结果校验。结合业务规则判断：该 POI 名称和用户原始输入是否匹配；坐标是否落在预期行政区域范围；识别明显漂移、张冠李戴的返回结果。
一旦识别异常，就触发降级逻辑，不直接把错误数据写入业务库，给前端返回提醒或者走人工复核流程，阻断错误往下游流转。
第三点：**异常场景兜底，减少业务直接报错**
线上永远会出现各种极端 case：地址完全无效、境外地址、地名变更、老旧废弃地名。
传统 GEO 接口遇到这类输入直接返回失败，上层业务直接异常。借助 AI 可以做降级处理，识别无效地址，给出友好业务提示，保证主业务流程不会直接崩溃。
当然 AI+GEO 这套方案也不是万能银弹。
大模型会存在幻觉，偶尔虚构不存在的地址，所以**绝对不能直接把 AI 输出结果直接入库**。AI 定位是前置过滤、预处理、纠偏，核心地理坐标依然要以专业地图接口为准，两者互相配合。
经过这段时间研究，我也改变了对地理位置模块的认知。
GEO 能力从来不是一个复制粘贴调用 API 的附属小工具，它是一整套数据校验、异常兜底、降级策略组成的完整体系。
业务顺利的时候，所有人都看不到底层地理模块的价值；一旦流量上涨、外部服务出现波动，底层 GEO 的短板，会把上层所有业务缺陷成倍放大。
经历项目的失败复盘之后，我最大的感悟：做业务不能只盯着产品玩法，底层基础数据能力的建设，才是系统稳定运行真正的护城河。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
