รีวิว geo-sleuth — skill ให้ AI หาว่ารูปถ่ายที่ไหน แม้ไม่มีป้ายหรือแลนด์มาร์ก
ข้อมูล Repo
Oldcircle/geo-sleuth- ภาษา
- Python
- ดาว
- 3,362
- สร้างเมื่อ
- แก้ไขล่าสุด
เปลี่ยนสถานะผ่าน API: PATCH /api/reports/20247360-808f-454e-907e-a9db0dc464ed
แคปชันสำหรับ Facebook
รูปที่ไม่มีป้าย ไม่มีแลนด์มาร์ก AI ก็ยังหาได้ว่าถ่ายที่ไหน ด้วย skill ชื่อ geo-sleuth ครับ ส่งรูปให้ agent แล้วพิมพ์ว่า find where this photo was taken มันจะหาตำแหน่งกล้อง ทิศที่หัน และทำภาพหลักฐานจากดาวเทียมให้ ✅ ใช้ OpenStreetMap ข้อมูลความสูง ภาพดาวเทียม และ street view แทนการอ่านป้าย ✅ ใช้เสาสะพานเป็นไม้บรรทัด ใช้เงาบอกทิศ ใช้แนวสันเขาเทียบภูมิประเทศ ✅ ทุกข้อสรุปต้องชี้ได้ว่ามาจากคำสั่งและไฟล์ไหน ✅ เคสใน README คลาดเคลื่อนแค่ราว 2 ถึง 3 เมตร ทั้งที่รูปไม่มี GPS ✅ ใช้ได้กับ Claude Code, Codex, Cursor, Gemini CLI และ OpenCode ข้อควรรู้: แต่ละรูปใช้เวลาราวครึ่งชั่วโมงถึงชั่วโมงกว่า และผู้สร้างย้ำให้ใช้กับรูปของตัวเองหรือรูปที่ได้รับอนุญาตเท่านั้น 🔗 https://github.com/Oldcircle/geo-sleuth #AgentSkills #OSINT #ClaudeCode #OpenSource
ภาพปกแบบ HTML สด
แสดงจาก HTML ต้นฉบับที่ใช้สร้างภาพ ดาวน์โหลดเป็น PNG 1080×1350 ได้ทันที
สไตล์ Easy AI
1080×1350แก้ไข 2026-10-19
สไตล์ easy-app
1080×1350แก้ไข 2026-10-19
สรุป
geo-sleuth เป็น agent skill ที่หาตำแหน่งถ่ายรูปจากข้อมูล OpenStreetMap ความสูงพื้นที่ ภาพดาวเทียม และ street view ตอบกลับเป็นตำแหน่งกล้อง ทิศ และภาพหลักฐาน ใช้ได้กับ Claude Code, Codex, Cursor, Gemini CLI, OpenCode และ GitHub Copilot
คืออะไร
geo-sleuth คือ agent skill ที่ให้ AI หาว่ารูปถ่ายถูกถ่ายที่ไหน แค่ส่งรูปให้ agent แล้วบอกว่า "find where this photo was taken" มันจะตอบกลับเป็นตำแหน่งกล้อง ทิศที่กล้องหัน และภาพหลักฐานจากดาวเทียม พร้อมรัศมีความคลาดเคลื่อนและระดับความมั่นใจ
จุดน่าสนใจคือทำงานได้แม้ในรูปไม่มีป้าย ไม่มีทะเบียนรถ ไม่มีแลนด์มาร์ก เพราะใช้ข้อมูลจาก OpenStreetMap ข้อมูลความสูงของพื้นที่ ภาพดาวเทียม และ street view มาค้นหาแทน เป็น Agent Skill มาตรฐาน (ไฟล์ SKILL.md กับสคริปต์ Python) จึงใช้ได้กับ Claude Code, Codex, Cursor, Gemini CLI, OpenCode และ GitHub Copilot
จุดเด่น
- ใช้เรขาคณิตแทนการเดา ระยะห่างของเสาสะพานใช้เป็นไม้บรรทัด เงาบอกทิศ แนวสันเขาเป็นเหมือนลายนิ้วมือที่เอาไปเทียบกับข้อมูลความสูงได้
- ทุกข้อสรุปต้องมีหลักฐาน ต้องชี้ได้ว่ามาจากคำสั่งไหนที่รันจริงและไฟล์ไหนที่ได้ ความดังของสถานที่ไม่นับเป็นหลักฐาน
- สคริปต์จัดอันดับ โมเดลแค่ตัดสิน มีสคริปต์ราว 20 ตัว แต่ละตัวทำงานเดียว ค้นหา ให้คะแนน และเรียงอันดับ แล้วให้โมเดลเลือกจากไม่กี่อันดับบน
- เคสตัวอย่างใน README รูปนาข้าวกับสะพานรถไฟในจีน คลาดเคลื่อนราว 2 เมตร รูปเนินทรายในทะเลทรายอยู่ในระยะ 100 เมตร และรูปต้นซากุระบนถนนในแวนคูเวอร์ คลาดเคลื่อน 3 เมตร โดยทั้งหมดไม่มีข้อมูล GPS ในรูป
- มีเครื่องมือตรวจความพร้อม
doctor.pyเช็ก Python, uv, เบราว์เซอร์ และบริการต่าง ๆ ให้ก่อนใช้งาน
เหมาะกับใคร
- สาย OSINT และนักข่าวที่ต้องตรวจสอบว่ารูปถูกถ่ายที่ไหนจริง
- คนชอบเกมทายสถานที่ที่อยากเห็นวิธีคิดแบบมีหลักฐาน
- คนใช้ AI coding agent ที่อยากเห็นตัวอย่าง skill ซึ่งให้สคริปต์ทำงานหนักแล้วให้โมเดลตัดสิน
เริ่มต้นใช้งาน
npx skills add Oldcircle/geo-sleuth
เลือก agent ที่ใช้ตอนติดตั้ง แล้วส่งรูปให้ agent พร้อมพิมพ์
find where this photo was taken
ครั้งแรกให้สั่ง agent รัน doctor.py ในโฟลเดอร์ scripts/ ของ skill แล้วแก้ข้อที่ไม่ผ่านก่อน ต้องมี Python 3.10 ขึ้นไป, uv, curl และ Chrome หรือ Playwright Chromium สำหรับค้นหารูปย้อนกลับ
ข้อควรรู้
- ใช้เวลานาน เคสแรกใน README ใช้ราว 72 นาที และการรันทดสอบซ้ำใช้ 32 ถึง 53 นาที
- ผลแต่ละเคสมาจากการรันครั้งเดียวของโมเดลหนึ่ง README บอกเองว่าเปลี่ยนโมเดลแล้วผลอาจไม่เหมือนเดิม และยังไม่มีตัวเลขความแม่นยำกับรูปที่ไม่เคยเห็น
- โมเดลบางส่วนต้องโหลดครั้งแรกราว 2.4 GB และต้องต่ออินเทอร์เน็ต
- ผู้สร้างเขียนไว้ชัดว่าให้ใช้กับรูปของตัวเองหรือรูปที่ได้รับอนุญาตเท่านั้น ห้ามใช้ตามหาคนที่ไม่ยินยอม
- โค้ด License MIT ส่วนตารางข้อมูลที่มาจาก Wikipedia เป็น CC BY-SA 4.0 สร้างเมื่อ 18 ก.ย. 2026 push ล่าสุด 18 ต.ค. 2026
🔗 https://github.com/Oldcircle/geo-sleuth
ข้อมูลจาก GitHub ณ 19 ต.ค. 2026: ⭐ 3,362 | ภาษา Python | license MIT