geo-sleuth — скилл

Установка

Работает в

• Claude Code
• Codex
• Cursor
• Gemini CLI
• OpenCode
• GitHub Copilot
• Koda
• Coddy

Ручная установка

npx skills add Oldcircle/geo-sleuth

Что делает

geo-sleuth определяет место съемки фотографии по самому кадру, когда в нем нет ни вывесок, ни номеров, ни известных зданий. Команда `intake.py` за один проход читает метаданные EXIF, распознает текст, нарезает края кадра и запускает обратный поиск картинок в Baidu и Yandex. Результаты попадают на доску кандидатов, которую ведет `board.py`: она хранит улики, считает вес каждой версии, не дает исключить кандидата без вычисленного файла и подсказывает следующий шаг. Дальше агент выбирает ветку по тому, что видно на снимке. Тени и освещенные грани разбирает `sun.py`, линию горизонта и гор сверяет с рельефом `terrain.py`, а линии электропередач, железные дороги и мосты ищет в OpenStreetMap через `osm.py`. Спутниковые плитки ранжирует по описанию модель CLIP в `sat_scan.py`. Для проверки на месте `gsv.py` и `baidu_pano.py` находят панорамы улиц, а `match.py` сравнивает их со снимком по DINOv2 и SIFT. Всего в скилле около двадцати скриптов, у каждого одна задача. Скрипты ранжируют варианты, а модель выбирает среди нескольких лучших. Итог собирает `evidence.py`: координаты с радиусом ошибки, направление камеры, спутниковую картинку с веером обзора и градуированную уверенность. Каждое утверждение в отчете должно ссылаться на команду, выполненную в этой сессии, и на созданный ею файл. Без такой ссылки скилл требует писать «не проверено». Известность и численность города доказательством не считаются.

Для кого. Для журналистов, исследователей открытых источников и любителей угадывать места по фото, которые хотят, чтобы Claude Code, Codex или Cursor проверяемо определял место на своих фотографиях или на тех, на анализ которых есть разрешение.

Пример запроса к агенту

Найди, где снята эта фотография: метаданных нет, надписей тоже, вдали гора и железнодорожный мост

Ограничения

• Применяйте скилл только к снимкам, на анализ которых у вас есть разрешение. Автор просит не использовать его для поиска людей, не давших на это согласия. Если на снимке частный дом или дети, скилл один раз спрашивает о цели.
• Точность в README указана для трех разобранных случаев: от 2 до 100 метров. Два сквозных перепрогона автор называет проверкой на регресс: оба снимка решались раньше, уроки из них уже вошли в скилл. Точность на новых фото не измерена, публичный набор для нее остается в планах.
• Каждый разобранный случай описывает один прогон одной модели. Какие запросы писать и сколько лучших вариантов смотреть, решает модель, и другая модель может не повторить ответ.
• Скрипты опрашивают OpenStreetMap и сервисы панорам по сети, данных OSM в репозитории нет. Обратный поиск идет через браузер, а при ответах 403, 429 или CAPTCHA автор советует посмотреть снимок экрана и повторить позже или работать вручную.
• Первый запуск тянет зависимости через uv, а `match.py` и `sat_scan.py` скачивают веса моделей, поэтому нужны время и место на диске. Инструкции, справка и отчеты в скилле на английском, исходный текст с кадра остается на языке оригинала.

Как отключить. Удалите папку `geo-sleuth` из каталога скиллов агента: `~/.agents/skills/` для Codex, Cursor, Gemini CLI, OpenCode и GitHub Copilot, `~/.claude/skills/` для Claude Code. Если скилл ставился через `npx skills add`, тот же инструмент умеет его снять. Рабочие папки `intake` и `rev`, которые скрипты создали рядом со снимком, удалите вручную.

Коротко о README

В репозитории лежит сам скилл: файл SKILL.md, около двадцати скриптов на Python, справочные материалы по сбору улик, геометрии, небу и поиску, таблицы кодов телефонов, стороны движения и территорий, а также региональные пакеты. На главной странице разобраны три случая с ответами в метрах, таблица скриптов и измерения отдельных операций. Отдельно описаны установка для шести агентов, требования и таблица неполадок. Есть папка examples со сценариями двух разобранных снимков и шаблоны обращений для замечаний о неверных результатах.