腾讯位置服务智能选址地图实测推荐榜单

门店选址人员长期面临信息过载的困境：地图铺开，搜索框塞满关键词——办公楼、地铁站、商场、竞品门店……数据扑面而来，但大脑难以形成连贯判断。地图确实放大了世界的细节，但始终未解的核心问题在于：如何将这些碎片信息高效整合，形成可落地的选址决策？

MapSite AI 正是为这一痛点而建。项目目标直截了当：构建一款面向真实选址场景的 AI 地图应用。用户只需描述需求，系统自动理解并调用腾讯位置服务，完成地点检索、候选区域筛选、地图展示与报告生成，最终交付一份可读、可对比、可导出的初筛结果。

在整个流程中，地图负责组织空间证据，AI 负责理解与解释，最终决策权交给用户。三者环环相扣，缺一不可。

体验地址：https://mapsite-ai.kaminono.com/

演示视频：

MapSite AI 演示

一、选址决策：AI与地图融合的最佳落地场景

多数地图类项目起步时热衷选择自然语言搜周边、对话导览或多人路线规划这类易于展示的方向。这些方向确实体现了 AI 与地图结合的交互变化，但若聚焦真实业务逻辑，商业选址场景的张力明显更强。

原因在于：商业选址天生是一个判断问题。用户关注的不是“附近有什么”，而是“哪里更值得看”、“为什么值得看”、“与候选区域相比，差距具体在哪”。

单靠地图页面难以跑通这一流程。地图能展示信息，但无法自动整理判断；单靠大模型也不行，它能组织语言，却无法脱离真实经纬度的空间数据下结论。只有地图能力与 AI 理解真正协作，项目才能成为产品，落地到具体业务决策中。

产品落地时，我选择“咖啡店选址初筛”作为主场景跑通全链路。理由有二：第一，咖啡店需求常见且典型——办公人群密度、地铁可达性、商业配套成熟度、竞品压力等要素，用户易于理解；第二，这些空间要素与腾讯位置服务的地点搜索、地图展示、行政区划、可视化能力高度整合，易于形成完整业务闭环。

image-20260415221303968

用户输入一段自然语言需求，如“面向白领、靠近办公楼、交通方便、竞争压力适中”，系统自动拆解为可执行的空间条件。分析完成后，生成候选区域、地图呈现与详尽评分报告。

项目能力并不局限于咖啡店。这套方法可延伸至轻食店、茶饮店、社区烘焙店、便利零售甚至小型宠物门店。不同业态关注点或有差异——有的更看重办公客群，有的更侧重社区密度，有的更关注交通可达性——但底层逻辑一致：先将自然语言需求翻译为结构化条件，再利用腾讯位置服务提供的空间数据完成筛选与结果解释。

核心结论：地图进入真实业务场景后，其价值在于参与判断过程；而 AI 进入该场景后，其价值在于将模糊输入翻译为结构化条件，再将结果解释得易于理解。

二、腾讯位置服务：工程底座与空间数据基石

MapSite AI 能够落地，并非依赖某一大模型突然“开窍”，而是腾讯位置服务将地图前端、LBS 服务与 WebService 能力整合为可无缝拼接的工程链。

地图集成并非简单放置底图。进入产品开发阶段，你会迅速发现：地图实例初始化、候选区域绘制、多边形与点位联动、图层切换、行政区划接入城市选择、地点搜索引入分析流程——这些具体问题需要逐一解决。

腾讯位置服务的 Map Skills 在此起到关键作用。在前端地图分析页搭建阶段，我使用了 TencentMap_jsapi_skills 对应的能力。地图初始化、覆盖物绘制、图层管理、事件系统与可视化渲染，这些能力让地图页从一开始就具备清晰的开发路径。虽未自动完成产品设计，但大幅减少了前端地图集成的试错成本。最终，地图分析页实现了候选区域高亮、点位联动、图层切换与区域详情同步，依赖的正是这层扎实的能力。

腾讯位置服务的 WebService 能力更是整条选址分析链路的地基。地点搜索负责提供候选区域分析所需的核心空间数据；行政区划接口负责支撑首页城市选择与城市级分析范围确定。两者衔接后，产品的搜索边界、交互方式与结果输出自然统一到同一逻辑中。地点搜索适用于城市级、圆形区域与矩形区域分析，确保选址结果稳定落在明确空间范围内；行政区划接口天然适合生成城市列表控件，因此首页交互最终收敛为核心城市快速选择。

地图可视化能力同样常被低估。JavaScript API GL 提供的点标记、信息窗体、多边形与丰富可视化能力，让地图分析页承载判断过程。左侧候选区域列表与右侧地图主视图协同工作：用户查看分数时，地图上的区域高亮、竞品分布、办公点位与地铁站位置同步给出空间证据。腾讯位置服务的存在感无需反复强调——每一层能力都直接参与了产品结果的生成。

三、AI串联流程：从模糊需求到可用结果

用户输入的是“人话”，系统需要的是结构化条件。两者之间若无可靠转换层，地图分析必然出现巨大误差。项目中 AI 的首要职责，是将自然语言需求拆解为城市、业态、目标客群、交通偏好、竞争容忍度与配套偏好等字段。

结构化意图生成后，服务端基于腾讯位置服务检索办公点位、地铁站、商场、餐饮与竞品门店，再围绕空间要素生成候选区域。我没有采用看似高级但难以解释的“全城网格”，而是将候选区域收拢为三类空间特征明显的方向：办公导向型、交通导向型与商业配套导向型。处理后，地图上的差异、左侧候选区域卡片内容与报告解释才能真正对应，用户体验更清晰。

评分模型是项目中反复重写的模块。早期版本分数区分度差：多个区域综合得分相同，子项分数常为满分或低分，类似硬阈值判断。后续改为连续值评分：客群匹配度与办公点位数量、密度、分布共同相关；交通便利度与地铁站数量、最近距离共同相关；竞争压力由竞品数量、密度与最近竞品距离共同影响；设施成熟度围绕商场、餐饮与便利设施分布估算。调整后，左侧候选区域列表呈现层次感，地图上的区域差异开始真正服务于用户判断。

AI 在链路中的第二个职责是结果增强解释。系统不凭空推荐区域，解释总是发生在腾讯位置服务检索结果与评分结果之后。项目中后期，我将增强链路改为渐进式处理：基础分析先返回，页面先可用，增强解释在后台继续跑。这一调整非常现实——真实项目中，模型响应速度、网络波动与配置问题都会影响链路稳定性。渐进式处理后，用户先看到地图与候选区域，再等待系统自动增强分析说明，整体体验显著顺滑。

开发过程中，技能调用不是可有可无的点缀，而是真实存在的工作流。前端地图分析页的搭建、交互与图层处理，我均配合 TencentMap_jsapi_skills 实际使用，极大地降低了开发工作量。

四、项目结构与核心代码：从输入到报告

整体流程从首页输入开始。前端完成城市选择与本地配置校验，将需求提交至服务端分析入口。服务端一方面通过规则兜底快速生成首版分析结果，另一方面结合 AI 意图解析能力，将模糊需求拆解为目标客群、竞争容忍度、交通偏好等结构化条件。随后，系统调用腾讯位置服务的地理编码、POI 检索与空间数据能力，生成多个候选区域，并基于客群匹配、交通便利、竞争压力、设施成熟度等维度完成综合评分。最终，分析结果同时落到地图分析页与报告页：前者突出候选区域、竞品点位与交通设施的空间分布，后者以更适合阅读和交付的方式输出结论，支持打印版与 PDF 导出。

以下详细分析地图分析页初始化与候选区域绘制页。核心代码负责加载腾讯地图 SDK、初始化地图实例、绘制候选区域多边形，并叠加竞品、办公、地铁等 POI 图层。

代码语言：ja vascript

复制

useEffect(() => {
    if (!configLoaded) return;
    const resolvedMapKey = resolveClientMapKey(config);
    if (!resolvedMapKey.hasMapKey) {
        setMapStatus("error");
        setStatusTitle("地图 Key 缺失，请先完成地图配置");
        return;
    }
    loadTencentMapScript(resolvedMapKey.mapKey, { forceReload: false })
        .then(() => {
            const map = new window.TMap.Map(mapContainerRef.current, {
                center: new window.TMap.LatLng(centerCoord[1], centerCoord[0]),
                zoom: 13,
                viewMode: "2D",
            });
            mapRef.current = map;
            infoWindowRef.current = new window.TMap.InfoWindow({
                map,
                position: new window.TMap.LatLng(centerCoord[1], centerCoord[0]),
                offset: { x: 0, y: -32 },
            });
            infoWindowRef.current.close();
            map.once("tilesloaded", () => {
                setMapStatus("ready");
            });
        })
        .catch(() => {
            setMapStatus("error");
            setStatusTitle("腾讯地图脚本加载失败");
        });
}, [config, configLoaded, centerCoord]);

useEffect(() => {
    if (!mapRef.current || !window.TMap || mapStatus === "error") return;
    const map = mapRef.current;
    const polygonGeometries = layers.candidates
        ? regions.map((region) => ({
                id: region.id,
                styleId: region.id === activeRegionId ? "active" : "normal",
                paths: (region.bounds || []).map(
                    (coord) => new window.TMap.LatLng(coord[1], coord[0])
                ),
                properties: { name: region.name },
          }))
        : [];
    polygonsRef.current = new window.TMap.MultiPolygon({
        map,
        styles: {
            normal: new window.TMap.PolygonStyle({
                color: "rgba(59, 130, 246, 0.2)",
                showBorder: true,
                borderColor: "rgba(59, 130, 246, 0.8)",
                borderWidth: 2,
            }),
            active: new window.TMap.PolygonStyle({
                color: "rgba(239, 68, 68, 0.3)",
                showBorder: true,
                borderColor: "rgba(239, 68, 68, 1)",
                borderWidth: 3,
            }),
        },
        geometries: polygonGeometries,
    });
    polygonsRef.current.on("click", (e) => {
        if (e.geometry?.id) onRegionSelect(e.geometry.id);
    });
}, [mapStatus, regions, activeRegionId, onRegionSelect, layers]);

五、开发过程中的体验优化：从能跑到好用

作为从开发一线走过来的产品经理，我深知“能跑通”与“能上线”是两回事。页面能展示结果，不代表它已经成为一个产品。项目持续推进中，我越来越关注一个问题：用户第一次打开后，能否顺畅理解整个流程？因此，后续很多交互都做了进一步优化。

城市选择器最初支持全量搜索，后续收紧为“核心城市快速选择”。原因现实：当前产品目标在于让用户尽快进入分析环节，而非在首页进行复杂筛选。右上角的本地连接设置也做了专门优化：地图与 AI 配置均由用户提供，且配置仅保存于当前浏览器中。项目上线后不默认消耗绑定账号，用户可直接使用自有应用 Key 体验。这一取舍对产品上线至关重要——它决定了项目是只能本地演示的工程稿，还是别人能真正点开试用的产品原型。

报告页是项目真正“成形”的标志。地图页负责空间判断，报告页则负责沉淀结论。需求摘要、候选区域总览、首推区域分析、评分方法说明、风险提示、下一步建议，以及打印版与 PDF 导出功能——这套内容出现后，产品不再只是有地图的分析页面，而是具备了可交付成果。对选址类场景而言，这一步尤为关键：多数判断最终要回到讨论与决策，报告能将地图中的空间证据沉淀为可带走、可复盘的内容。

项目走到这一步，腾讯位置服务的价值更加清晰：它在产品中扮演的角色绝非仅是提供地图底图。首页城市选择依赖行政区划能力收窄交互，地图分析页依赖 JSAPI GL 实现区域、图层与点位联动，候选区域分析依赖地点搜索获取空间要素，报告中的判断也建立在腾讯位置服务的结果之上。

总结

MapSite AI 开发完成后，最深刻的体会是：地图进入真实业务场景后，价值巨大。它不再被动堆砌信息，而是主动参与理解、筛选与判断的过程。

腾讯位置服务为项目提供了扎实底座。Map Skills 降低了前端地图页开发门槛；地点搜索、行政区划与地图可视化能力让选址分析具备空间依据；AI 则衔接了自然语言理解与结果解释。最终，从输入到报告，形成完整闭环。

MapSite AI 目前已是一个可体验、可迭代的产品原型。真正有说服力的地方，始终在上线后用户能立刻感受到的细节中。腾讯位置服务的意义，也在这些细节中被一步步放大。

* AI润色输出，仅供参考

来源：互联网