大语言模型在静态文本语境中展现出强大的推理与规划能力，但在涉及空间要素的动态决策任务（例如军事模拟中的点位选择）中却存在明显不足。这些局限源于其整合实时地理数据与适应空间条件的能力较弱，可能导致关键的位置决策错误。此类缺陷在战斗场景中可能致使错失战术优势机会、增加自身脆弱性并降低整体作战效能。为缓解这些问题，本文提出Geo-Commander框架，这是一种通过整合ReAct推理机制与空间编码来服务战斗模拟的创新多任务智能体。该框架的Geo-Choice模块采用六边形网格编码进行初步位置筛选，使智能体能够在决策过程早期建立空间约束。该框架的ReAct链将详细的地理洞察融入推理循环，为点位选择生成可解释的决策。我们通过在坦克分队战斗模拟环境中的实验验证该框架，结果显示其在静态点位选择与实时动态指挥任务上均取得显著性能提升。结果表明，Geo-Commander在包括选择质量、胜率及整体战斗效能在内的多项指标上持续超越对照组。这些性能指标凸显了该框架满足动态战场环境需求的潜力，最终证实了在大型语言模型框架中集成空间推理的可行性，并为多智能体地理空间情报系统与战场决策支持的发展开辟了新途径。