我扫了 QGIS 官方插件仓库 9 个 AI 相关标签，去重后 112 个 AI 插件，按真实下载量排了个榜。猜猜热度第一名是谁？不是 SAM 分割，不是对话助手——是 264 万下载的传统遥感分类插件。
热度分层全景
下载量是「沉淀需求」不是「新热度」——传统分类霸榜说明它是基本盘，SAM 和 LLM 那批新势力下载量还在千级，但那是明天的主战场。
第一层：传统遥感 ML 分类霸榜
热度前几名清一色传统机器学习分类，这大概是多数读者没料到的。
Semi-Automatic Classification Plugin（SCP）264 万下载断层第一，老牌遥感影像分类工具，v9 起内置神经网络。dzetsaka 改名成了「AI-Powered Remote Sensing Classification」，24 万下载，内置随机森林、SVM、XGBoost、LightGBM、MLP 等 11 种算法，还能自动调参。Mapflow 20.5 万下载，是商业的 AI 建筑/道路批量提取。
这三者的共同点：都是「给像素分类、把地物提出来」的成熟能力，被用了很多年。下载量证明的是沉淀多年的真实需求，不是 2026 的新东西。
第二层：主流 AI 插件（十万级）
十万级这一档是真正的主流 AI 插件，各管一摊：
- Deepness 8.5 万——跑任意 ONNX 模型，分割/检测/回归/超分都行，自带模型库。
- GeoAI 6.1 万（Qiusheng Wu 出品）——SAM 分割 + DeepForest 树冠 + 水体掩膜 + 实例分割的本地工具箱，MIT 协议免费。
- Bunting Labs AI Vectorizer 9.7 万——交互式 AI 矢量化，描线快 2-3 倍，订阅制。
- EnMAP-Box 3 12.7 万——高光谱数据分析 + 机器学习。
- AI Segmentation by TerraLab 5.5 万——画区域、打字提对象，商用云端 SAM。
这一档是「想用 AI 又不折腾」的主流选择，本地免费（GeoAI/Deepness）和云端省事（TerraLab/Bunting）两条路线都在。
第二层：主流 AI 插件（十万级）
十万级这一档是真正的主流 AI 插件，各管一摊：
- Deepness 8.5 万——跑任意 ONNX 模型，分割/检测/回归/超分都行，自带模型库。
- GeoAI 6.1 万（Qiusheng Wu 出品）——SAM 分割 + DeepForest 树冠 + 水体掩膜 + 实例分割的本地工具箱，MIT 协议免费。
- Bunting Labs AI Vectorizer 9.7 万——交互式 AI 矢量化，描线快 2-3 倍，订阅制。
- EnMAP-Box 3 12.7 万——高光谱数据分析 + 机器学习。
- AI Segmentation by TerraLab 5.5 万——画区域、打字提对象，商用云端 SAM。
这一档是「想用 AI 又不折腾」的主流选择，本地免费（GeoAI/Deepness）和云端省事（TerraLab/Bunting）两条路线都在。
第三层：新势力 SAM 分割（热度还没起来）
SAM 分割插件在下载量上并不显眼，但这是最值得盯的一档：
| GeoOSAM | 1.6 万 | SAM 点/框/文本提示，GPU/CPU 双路线 |
| SamGeo | 7258 | 文本提示分割（打「building」直接出） |
| Geo SAM | 2694 | 中文界面，纯 CPU 实时分割 |
| SamGIS | 1564 | 本地 SAM2，ONNX 离线 |
它们一共才几万下载，跟 SCP 的 264 万差了三个数量级。但方向很明确：一句话、一点击就能分割影像并转矢量，标注成本从「逐笔手画」变成「对话式」——这正是我在《生成式遥感》里说的标注瓶颈的桌面端解药。下载量小只是因为它新，不是因为它没用。
第四层：LLM 对话与 agent（还在起步）
让 LLM 直接操作 QGIS 的插件也冒出来了，下载量更小但密度高：OpenGeoAgent（8556，项目感知、能执行 PyQGIS）、GeoAgent（5353）、QGIS AI Assistant（1808）、AgenticGIS（2728）。这些插件让 QGIS 面板里能跟 AI 对话、让它读图层、改样式、跑分析。
判断一句：LLM 操作 QGIS 还在地步阶段，但方向明确——从「脚本助手」到「项目级 agent」，只差一个安全门槛的标准化。
官方能力专讲：QGIS MCP
3.8 万下载的 QGIS MCP 值得单独讲——它是 QGIS 生态里 MCP 能力的正主，作者 Nicolas Karasiak 就是前面 dzetsaka 的作者。
架构是三层：QGIS 内部跑一个非阻塞 TCP socket 插件，外部 MCP server 用 FastMCP 把 QGIS 操作暴露成工具，Claude 这类客户端通过标准 MCP 协议连上去。118 个 MCP 工具覆盖项目、图层、要素、样式、渲染、处理算法、布局图集、SQL 查询、插件管理、系统诊断；破坏性工具走确认（elicitation），不会自作主张改数据。它还提供 compound 模式，把 118 个工具合并成 27 个分组工具，省对话开销。
支持客户端一大串：Claude Code、Claude Desktop、Codex、Gemini CLI、Kimi Code CLI、Copilot CLI、LM Studio、Cursor 都有。也就是说，你在任何主流 agent 里说一句「把这份影像的建筑导出来」，QGIS 就能真的被执行。这正好接上我在《Geo+AI 应用底层技术栈拆解》里拆的 MCP 层——Esri、超图在做，开源 GIS 桌面也补上了。
顺便说清一件事：QGIS 4.0「Norrköping」今年 3 月发布，核心是 Qt5 到 Qt6 迁移，官方没有发布 AI 功能路线图——所以 QGIS 的 AI 能力，实际是靠 MCP 插件 + 生态插件撑起来的，官方押注的是让生态接进来，而不是自己做一套 AI。
三个扎眼观察
零成本上手路径
四条线今天就能免费体验：
- 分类：装 dzetsaka，一张影像 + 一个 ROI 就能跑出分类结果。
- 分割：装 GeoAI 或 Geo SAM，对着一张正射影像点一下/打一句，转矢量存 GeoPackage——全本地、免注册。
- 对话：装 OpenGeoAgent，模型选 Ollama（本地跑开源模型）或任意有 key 的 API。
- MCP：装 QGIS MCP 插件 + uvx 跑 MCP server，用 Claude Code 连上去，试试「总结当前项目图层」。
挑战与边界
三个要泼的冷水。第一，下载量不保证好用——SCP 264 万也有大量「协方差奇异」抱怨，选型最终看实测。第二，对话插件有提示注入风险——它读项目、执行脚本，被恶意图层内容诱导可能干不该干的事，确认门槛不能省。第三，云端服务数据出境——影像发给第三方服务器的场景，涉密项目直接用本地方案。
结论
QGIS 的 AI 插件,总的来说：
参考来源
- QGIS MCP 插件页：https://plugins.qgis.org/plugins/qgis_mcp_plugin/
- QGIS MCP GitHub（nkarasiak/qgis-mcp）：https://github.com/nkarasiak/qgis-mcp
- QGIS MCP 教程（MappingGIS）：https://mappinggis.com/2026/04/qgis-mcp-conecta-claude-ai-con-qgis-y-automatiza-tu-flujo-de-trabajo/
- QGIS 插件仓库 deep-learning tag：https://plugins.qgis.org/plugins/tags/deep-learning/
- QGIS 插件仓库 ai tag：https://plugins.qgis.org/plugins/tags/ai/
- QGIS 插件仓库 mcp tag：https://plugins.qgis.org/plugins/tags/mcp/
- GeoAI（Qiusheng Wu）：https://github.com/opengeos/qgis-plugins
- OpenGeoAgent：https://plugins.qgis.org/plugins/open_geoagent/
- Geo SAM：https://plugins.qgis.org/plugins/GeoSAM/
- dzetsaka（Nicolas Karasiak）：https://plugins.qgis.org/plugins/author/Nicolas%20Karasiak/
