用 AI 做农业种植记录与农事提醒

种一季地，要记的事有几十件：哪天播的、底肥下了多少、打过几次药、哪块地先出的苗。这些事当时都记得，隔两个月再问就说不清了。等到出现大面积黄叶，想回溯是哪一步出的问题，才发现本子上只有半页字。AI 在这件事上帮不了下地，但能把记录、提醒、查资料这三件琐事做得省心一些。

一季的收成，常常输在记不清

农业经验是靠对比积累的：今年和去年比，这块地和那块地比，用了这个量和那个量比。对比的前提是记录一致——同样的字段、同样的口径、同样的时间粒度。记录一旦随手写，年底就只剩一堆没法比较的句子。

更麻烦的是，人对自己记忆的准确度估计得偏高。多数人记得住「打过一次药」，记不住是哪天、什么天气、兑了多少水。而真正影响判断的，恰恰是后面这几个细节。

先把地块和作物建成一份底账

底账的内容不复杂：地块位置与面积、土壤类型、灌溉条件、品种、播种日期、前茬种的是什么。前茬这一项常被漏掉，但它对病虫害的影响很大，同一块地连年种同一类作物，问题会一年比一年多。

底账建好之后，每次农事操作往上挂一笔：日期、地块、动作、用量、天气、操作人。半年下来就是一条完整的时间线，这条线的价值在于可回溯——出了问题能顺着往前找，而不是凭印象猜。

从一张白纸到一套能查的记录

从一张白纸到一套能用的记录体系，中间是五个动作：

第二行是很多人栽跟头的地方。字段随手加，今天写「打药」，明天写「喷药」，后天写「防虫」，半年后同一件事有三种写法，统计的时候对不上。字段要一次定死，宁可少几个，也别中途改口径。

农事节点要留提前量，也要留退路

农事提醒的价值不在当天叫你，在提前几天告诉你该准备了。打药要看天气，追肥要看墒情，这两件事都需要提前量。所以提醒通常设两级：提前几天给一个准备提醒，前一天给一个执行或顺延提醒。

留退路的意思是，提醒要允许改期，并且记下改期的原因。连阴雨推迟了三天，这三天后来补上了没有，都是明年排计划时的依据。只记「做了」、不记「为什么改」，记录就丢了一半信息。

它能整理经验，看不见你的地

田里的情况，模型拿不到。土壤的实际状况、田间的微气候、突发的病虫害，模型都拿不到。它给的时间表是按通用规律推的，用的是积温、无霜期这类平均数据，而你家那块低洼地的化冻时间，比周边晚一周是常事。

它还会在细节上编。问到具体用药量、安全间隔期，它给出的数字可能来自别的地域、别的作物，甚至根本不存在——这类错误在AI 幻觉里属于最危险的一种：格式规范、语气笃定、看不出破绽。凡涉及用药，一律以标签说明和当地农技部门的口径为准。本文仅为信息参考，不构成专业农技建议。

还有一层容易被忽略：模型不知道今年的天气和去年不一样。把逐年的记录交给它做对比，它倾向于把差异归因到管理措施上，而忽略气候这个更大的变量。判断数据漂移时，这一层要自己补上。

一季结束，把记录变成明年的底稿

收完之后花一小时做三件事：把这一季的实际操作和计划对一遍，标出偏差最大的三处；把产量和关键操作对应起来，看哪个动作的影响最明显；把明年要改的两三条写下来。这一页纸比几十页流水账有用。

记录连续做上两三年，它本身就成了一份时间序列：同一块地、同一个品种、相近的管理，产量怎么变。这种对比的说服力，远高于任何通用建议。让模型整理时，把字段和口径写清楚，提示词里说明「按地块和年份分组对比」，比笼统地说「帮我分析」有效得多。

速查：记录体系落地四条

• 地块单独建档，一块地一条，不合并不省略
• 字段一次定死，动作名称统一，不加同义词
• 节点按本地积温和无霜期调，不照抄外地
• 改期要记原因，回看时才说得清偏差