LLM-Agents for Geo-Planning: Semi-Automated Pipelines for Prompts, Rules, and Quality Control (GeoAI-Territory, Part II)

AbstractThe rapid growth of spatial data and the increasing complexity of urban and regional planning create a pressing demand for scalable, cost-efficient, and transparent decision-support tools. Large Language Models (LLMs) have recently shown promise as intelligent agents capable of interpreting heterogeneous geospatial datasets, generating adaptive workflows, and supporting human decision-makers. This paper introduces the concept of LLM-Agents for Geo-Planning, focusing on semi-automated pipelines that integrate prompts, rule-based reasoning, and multi-layer quality control. Unlike traditional GIS automation, LLM-agents can flexibly adapt to different regulatory frameworks and local contexts, from European INSPIRE directives and SDG-oriented policies to rapidly expanding African urban environments and large-scale land monitoring systems in China. We present a unified pipeline architecture where domain-specific prompts guide task execution, explicit rules ensure compliance with local planning standards, and human-in-the-loop validation guarantees accuracy and accountability. Three case studies demonstrate the versatility of the approach: (1) land-use zoning and digital twins in European municipalities, (2) ecological restoration planning in African peri-urban regions, and (3) large-scale agricultural land assessment using satellite data in China. The results highlight how LLM-agents can reduce analysis time by 5–10×, improve reproducibility, and make advanced spatial planning accessible to regions with limited technical resources. This work contributes a globally relevant framework for integrating LLMs into geospatial governance, urban planning, and sustainable territorial development. АнотаціяСтрімке зростання обсягів просторових даних та зростаюча складність міського й регіонального планування створюють нагальну потребу в масштабованих, економічно ефективних і прозорих інструментах підтримки прийняття рішень. Великі мовні моделі (LLM) останнім часом продемонстрували значний потенціал як інтелектуальні агенти, здатні інтерпретувати різнорідні геопросторові дані, формувати адаптивні робочі процеси та підтримувати фахівців у процесі прийняття рішень. У статті представлено концепцію LLM-агентів для геопланування, зосереджену на напівавтоматичних пайплайнах, що поєднують промпти, правила та багаторівневий контроль якості. На відміну від традиційної ГІС-автоматизації, LLM-агенти здатні гнучко адаптуватися до різних нормативних рамок і локальних контекстів: від директив INSPIRE та політик, орієнтованих на ЦСР у Європі, до швидко зростаючих африканських міст та систем масштабного моніторингу земель у Китаї. Запропоновано уніфіковану архітектуру пайплайна, де предметно-орієнтовані промпти керують виконанням завдань, явні правила забезпечують відповідність локальним стандартам планування, а залучення експертів у процес перевірки гарантує точність і відповідальність. Три кейси демонструють універсальність підходу: (1) зонування землекористування та цифрові двійники муніципалітетів Європи, (2) планування екологічного відновлення у передміських регіонах Африки, (3) великомасштабна оцінка сільськогосподарських угідь на основі супутникових даних у Китаї. Результати показують, що LLM-агенти здатні скоротити час аналізу у 5–10 разів, підвищити відтворюваність та зробити сучасне просторове планування доступним для регіонів із обмеженими ресурсами. Це дослідження формує глобально релевантну основу для інтеграції LLM у геопросторове управління, міське планування та сталий територіальний розвиток. 摘要空间数据的快速增长以及城市和区域规划复杂性的不断提升,迫切需要可扩展、低成本且透明的决策支持工具。大型语言模型(LLM)近年来展现出巨大潜力,作为智能代理,它们能够解释异构地理空间数据,生成自适应工作流,并辅助人类决策者。本文提出了“用于地理规划的LLM智能代理”概念,重点研究结合提示工程、基于规则的推理和多层次质量控制的半自动化流程。与传统的GIS自动化相比,LLM代理能够灵活适应不同的法规框架和本地语境,从欧洲的INSPIRE指令和绿色协议,到非洲快速扩张的城市环境,再到中国大规模土地监测体系。 我们提出了一种统一的流程架构:由领域特定的提示引导任务执行,通过明确的规则确保规划标准合规,并结合人类专家复核来保证准确性和责任追溯。本文通过三个案例展示了该方法的多样性:(1)欧洲市政的土地利用分区与数字孪生,(2)非洲城郊地区的生态恢复规划,(3)中国基于卫星数据的农业用地评估。 结果表明,LLM智能代理能够将分析时间缩短5–10倍,提高研究的可复现性,并使先进的空间规划工具在资源有限地区也可获得。本研究为将LLM融入地理治理、城市规划和可持续发展提供了具有全球意义的框架