AI 进农田：记录与植保该怎么用

收完一季，坐在院子里回想「去年这块地什么时候打的药、用了多少」，多数人只能记个大概。农业的账一年才结一次，中间的过程没留下字据，经验就只能停在感觉层面。这类记录工作正是 AI 能接手的部分，但接手的范围要划清楚：它整理的是你给的信息，不替你下地判断。

一季的账，要到收成才算清

种植的变量太多：天气、墒情、品种、播期、管理节奏，任何一项变了，结果都会不同。变量多本身不是问题，问题是没法回溯——同一块地今年和去年到底哪里不一样，如果没记录，只能靠回忆，而回忆会自动把因果编圆。

记录的第一个作用不在指导今年，在让明年有得比。第二个作用是出事时能查：哪批货、哪块地、哪天处理的，这些信息在出现纠纷或抽检时，比任何解释都管用。

五个环节，工具站的位置不同

从上往下，工具的角色从「整理已知」退到「提示可能」，再退到「算账」。退得越远，越依赖你自己的数据质量——记录残缺，后面几行给出的东西也就只能看个大概。

记录要能对比，字段先定死

只写「今天打药了」等于没记。一条有用的记录至少有五样：日期、地块或棚号、作业内容、用量与方式、当时的天气。少一样，回头就没法比较——不知道是哪块地，没法横向看；不知道天气，没法解释为什么这次效果不同。

字段不宜多。超过十五列的表格，农忙时没人填得下去。先做到五到八个核心字段每一条都填满，比设计一张三十列的空表有用。手机上用语音输入、拍张照附在记录后面，能明显降低填写成本。记录攒上两三年，按时间排开看趋势才有意义，处理思路和时间序列里讲的一致。

病虫害识别给的是线索，不是结论

拍一张叶片照片，工具能说出几种相似的可能性，并指出该再看哪个部位——这是它比较可靠的部分，因为斑点形状、分布位置确实是可辨的特征。但它给不出确诊，因为同一类表现可能来自病害、虫害、缺素或者药害，区分它们往往要看根、看叶背、看田间分布，甚至要送检。图像识别能做到哪一步，计算机视觉那篇有更细的说明。

药剂的选择、剂量、施药时机和安全间隔期，涉及登记标签、抗性管理和残留限量，必须以官方登记信息和当地农技部门的指导为准。工具在这件事上说得再具体，也只能当参考；照着一个语言模型给的数字去打药，风险由地里承担。

天气预报能自动推送，农事安排不能

把预报接进日历，在可能降雨的窗口前提示「明天下午有雨，今天是否安排施药」，这类提醒准确、稳定，也确实省心。它做的是把两个时间表叠在一起，不涉及判断。

判断的部分要复杂得多：这场雨对沙土地和黏土地意义不同，对刚播的和快收的更不同。工具不知道你的地块在哪、地势如何、上一场雨下了多少，它只能给一个区域性的概率。看到提示之后怎么安排，仍然取决于走到地头看一眼。

溯源资料的分量在细节

消费者扫一个码，能看到这块地什么时候播、用过什么投入品、什么时候采的，这份资料的说服力来自连续和具体，不来自页面做得多漂亮。断断续续的记录反而减分——中间空了一个月，看的人会怀疑是不是漏了什么。

整理溯源档案时，一致性比完整度更难做到：同一块地前后叫两个名字、同一种投入品写了三种叫法，档案就串不起来。让工具做归并和统一命名是合适的，它能耐心地把几十条手工记录对齐成一张表。

田里的判断，模型接不住

你这块地的历史、今年春天的低温、邻村上个月流行什么病虫，这些都不在它的输入里。它给出的是基于普遍规律的答案，而农业的收益恰恰来自对具体地块的把握。把通用建议直接当成作业指令，是这类工具最危险的用法。

还有一层是责任。残留超标、错过防治窗口，后果不会落在模型身上，也不会落在卖软件的公司身上。它也可能编出一个听着专业的用量，这类补全和AI 幻觉同源。所以工具的位置应该清楚：负责把记录做扎实、把信息排整齐、把可能的风险提前提示出来，签字动手的人始终是种地的人。本文提到的技术规范以官方和当地农技部门发布为准。

速查：农田里的 AI 用法

• 记录五要素：日期、地块、作业、用量、天气
• 识别结果只当线索，确诊要下地看或送检
• 药剂、剂量、安全间隔期以官方登记标签为准
• 天气提示看概率，作业安排看地头
• 溯源档案要连续，断档比没有更减分