GPT-6 Astra 实测：用一句话生成 5K/10K 跑步路线

开发者 Simon Willison 在博客里分享了一个颇具代表性的 AI 应用案例：他让 ChatGPT Work（搭载 GPT-6 Astra Max 模型）从自家地址出发，规划出可以环形跑回起点的 5K 和 10K 跑步路线，并要求基于 OpenStreetMap（OSM）数据完成。整个任务模型运行了 27 分钟，最终输出了他想要的全部内容。

一句话指令，27分钟的自主执行

这次实验的提示词极其简单：

I live at <my address>. Figure out 5K and 10K running routes from me that loop from my house. Use OSM data.

（我住在某地址，请基于 OSM 数据帮我规划从家出发、可环形跑回的 5K 和 10K 路线。）

值得关注的不是提示词的复杂度，而是模型的执行方式。它没有简单给出一段文字描述，而是持续工作了 27 分钟——这背后显然涉及调取地图数据、计算道路网络、生成闭环路径等一系列步骤。这种长时间、多步骤的自主执行，正是当前 AI Agent（智能体）能力演进的核心方向：从「回答问题」转向「完成任务」。

GPT-6 Astra 生成的 El Granada 海港 5.1 公里环形跑步路线地图

输出的不只是文字，而是可用的文件

模型最终交付了三种形式的成果：内嵌的可视化地图、可下载的 GPX 文件 以及 GeoJSON 文件。

这三种格式的组合恰好覆盖了实际使用场景。GPX 是跑步、骑行导航设备（如 Garmin 手表）通用的路线文件格式，用户可以直接把生成的路线导入手表跟着跑；GeoJSON 则适合在各类地图工具中二次编辑或程序化处理；内嵌可视化则让用户在对话中即可预览路线走向。

从截图可以看到，生成的 5K 路线是一条名为「El Granada harbor loop」的 5.1 公里环线，起点从底部左侧的海港出发，沿 Avenue Granada 和 Paloma Avenue 向北，经 Carmel Avenue 附近折向东，再沿 San Carlos Avenue 和 Francisco Street 南下，最后沿海岸线的 Coastal Trail 向西返回起点。路线贴合真实街道，形成完整闭环——这正是「loop from my house」要求的准确落地。

GPX（GPS Exchange Format）是一种基于 XML 的开放标准文件格式，专为存储 GPS 轨迹、路点和路线数据而设计，被 Garmin、Suunto、Polar 等主流运动手表及 Strava、Komoot 等路线规划平台广泛支持，用户只需将文件传输到设备即可获得逐段导航引导。GeoJSON 则是基于 JSON 的地理空间数据交换格式，能够描述点、线、多边形等几何要素及其属性，常用于 Mapbox、Leaflet 等 Web 地图库或 Python 地理分析工具链中进行二次开发。两种格式的同时输出，意味着模型既满足了「直接上手用」的消费级需求，也照顾到了「程序化处理」的开发者需求，覆盖面远超单一文字描述。

为什么这个案例值得关注

表面上看，这只是一个「帮我规划跑步路线」的小需求，市面上也有大量专门的路线规划 App。但从 AI 能力的角度看，这个案例揭示了几个关键信号。

其一，任务的端到端闭环。 模型不是返回一堆坐标让用户自己拼装，而是直接产出可导入设备的成品文件。用户几乎不需要任何后处理，这大幅降低了从「AI 输出」到「实际使用」之间的摩擦。

其二，对结构化地理数据的调用与推理。 让路线精确地环回起点、控制在 5K 和 10K 的目标里程内，需要模型真正理解 OSM 的道路拓扑结构，而不是凭空编造。这类涉及空间计算的任务，过去往往被认为是通用大模型的短板。

其三，长时任务的耐心执行。 27 分钟的运行时长意味着模型（或其背后的工具链）在没有人类持续干预的情况下完成了多轮迭代。这种「放手让它跑」的交互模式，正在成为高价值 AI 应用的常态。

OpenStreetMap（OSM）是一个由全球志愿者协作维护的开放地理数据库，其核心数据结构包括节点（Node）、路段（Way）和关系（Relation），道路的通行方向、步行许可、路面类型等属性均以标签（Tag）形式存储。要在 OSM 数据上规划闭环跑步路线，本质上是一个图论问题：需要在道路拓扑图中寻找从起点出发、总长度接近目标里程、且能回到起点的路径，同时过滤掉不适合步行的机动车专用道。这类计算通常依赖 OSRM、Valhalla 或 GraphHopper 等专业路线引擎，通用大模型能够调度这些工具并将结果封装成用户友好的输出，是其工具调用（Tool Use）能力成熟的体现。