近年来，随着大模型的快速发展，其展现出的强大语义理解与推理能力引起了研究人员对垂直领域（如GIS）大模型研发的广泛关注。其中，将通用大模型通过参数微调适配至专业领域已成为常见做法。然而，通用大模型基于大规模、多学科语料进行训练，其参数对特定学科知识的适应性往往存在异质性。换言之，部分参数已在一定程度上与GIS专业知识对齐，而仍有部分参数需要进一步调整和优化。因此，在微调过程中，如何识别并充分利用这些尚未对齐的参数，对于提升通用模型在专业领域的表现至关重要。本研究提出了一种面向GIS专业大模型的参数高效微调方法，核心思想是显式考虑参数适应性差异。具体而言，我们首先量化模型参数对GIS专业任务的适应性，再基于适应性差异合理分配训练资源，对适应性较弱的参数投入更多训练，从而促进其充分对齐专业知识。基于该方法，我们在多个下游地理空间任务中进行了测试，结果表明，相较于现有方法，该策略能够显著提升模型在下游任务中的表现。此外，我们将该微调方法拓展至MapGPT大模型框架。通过结合针对性微调、外部知识增强与外部智能体框架，MapGPT能够支持更复杂的地图设计任务，实现如地图框架比例自适应、多样化地图风格设计等高级制图功能。

大模型智能体,智能制图,大模型训练算法