我为什么决定不做万能农业 AI

从通用识别到生姜专项，一次产品收缩

上一篇说了为什么农业病害识别的效果不够好，以及一个独立开发者在 AI 产品上能做到什么边界。

这一篇说说我的决定：为什么收缩，收缩到哪里，以及下一步具体怎么做。

一、结果页要从"可能是什么"变成"现在怎么做"

过去的结果页，很容易变成这样：

“

可能是炭疽病，也可能是叶枯病。建议加强田间管理，合理水肥，必要时咨询专业人员。

这类表达没有错，但用户读完以后，仍然不知道下一步该做什么。

下一版结果页，我会改成更明确的结构：

主判断是什么。

把握程度如何。

判断依据是什么。

还可能和什么混淆。

今天先做什么。

暂时不要做什么。

几天后怎么复查。

什么时候必须找农技员。

比如：

“

主判断：更像姜炭疽病。

把握程度：中等偏高。

判断依据：叶片有褐色斑点，病斑边缘较深，暂未看到明显虫咬痕迹。

今天先做：剪除病斑明显的叶片，带出田外处理；检查相邻植株；如果田间潮湿，先排水降湿。

暂时不要：不要混用多种药，不要随意加大药量，不要继续偏施氮肥。

复查建议：2天后拍同一片区域，看斑点是否扩大。

用户真正需要的，不是一段农业百科，而是一个能继续推进问题的判断流程。

二、为什么不继续做"大而全"

一开始，我也想过继续扩大范围。

既然已经能识别农作物，那是不是可以继续支持水稻、西瓜、芋头、茭白、草莓，甚至鸡鸭鹅猪这些养殖场景？

理论上可以。

“

但对一个独立开发者来说，这条路很容易失控。

如果继续做全品类，很容易变成：什么都能识别一点，什么都能说几句，但真正到具体病害和处理建议时，又都不够准。

我也研究过更重的方案，比如接入农业垂直大模型、调用病虫害 API、下载公开数据集、自己训练模型、构建完整农业知识库。

这些方向长期看都可能有价值。

但对当前阶段来说，它们要么受制于第三方接口，要么工程量很大，要么需要长期数据积累。

更现实的问题是，即使一个人花几个月搭出一套训练和部署流程，如果数据质量不够，真实田间场景下的识别效果也未必能达到用户期待。

网上的农业图片和资料质量参差不齐。

很多图片不是实际田间环境拍摄，很多资料也缺少地区适配和真实场景验证。

“

与其做一个看起来很完整但不够准的大系统，不如先选一个作物，把它做小、做深、做实。

三、为什么选择生姜，而不是水稻或草莓

最后我决定先从生姜开始。

这个选择不是因为生姜市场最大，也不是因为它比水稻更重要。

“

而是因为对我当前阶段来说，它更适合做一个"单作物专项识别"的 MVP。

水稻用户基础更大，资料也更多。但也正因为水稻太大，病虫害体系复杂，专业系统和农技服务也更多。

一个独立开发者想在短时间内做出明显差异，并不容易。

草莓经济价值很高，但我身边种草莓的人不多。这意味着我很难持续拿到真实图片、真实反馈和真实使用场景。

“

而生姜更接近我熟悉的本地种植环境，也更容易围绕真实问题做样本收集和反馈验证。

更重要的是，生姜病害对农户的损失感比较直接。

比如姜瘟、炭疽、根腐、积水烂根这些问题，一旦判断和处理不及时，很容易影响一片地的产量。用户对"能不能早点判断、能不能给出具体处理方向"会更敏感。

所以我选择生姜，不是因为它代表全部农业场景，而是因为它更适合做第一个被打透的单品。

下一阶段，"种养一拍"的名称不会变。

但首页会明确说明：当前重点支持生姜病害识别。

先把一个作物的高频问题做清楚，再逐步扩展到水稻、西瓜、芋头、茭白等更多作物。

四、下一版具体怎么做

第一阶段，不追求识别所有问题。

先围绕生姜常见的几类问题做深：

• 姜瘟病。

• 姜炭疽病。

• 姜叶枯病。

• 软腐 / 根腐。

• 积水烂根。

• 肥害。

• 虫害。

• 正常老叶黄化或高温灼伤。

每一类问题都不只写"症状和原因"，而是整理成可调用的产品结构：

• 典型症状。

• 易混淆对象。

• 判断依据。

• 今天先做什么。

• 暂时不要做什么。

• 2 天后怎么复查。

• 什么时候必须找农技员。

这样一来，结果就不是大模型临时生成的一段话，而是来自一个可控的专项知识库。

同时，结果页会增加反馈入口：这个判断准吗？准确 / 不太准 / 完全不对。

如果用户反馈不准，系统继续记录：是作物认错了，病害判断错了，还是建议没有用。

这些反馈会逐渐沉淀成后续优化的数据。

五、不是追求绝对确定，而是提供更有用的确定感

AI 不能假装自己 100% 准确。

农业病害判断本来就有不确定性。有些问题需要现场看根部、看土壤、看天气、看整块田的传播情况。

但这并不意味着产品只能说废话。

好的设计，是在承认不确定性的同时，尽量给用户一个清晰的下一步。

能明确判断时，给出主判断。

不能明确判断时，告诉用户还缺什么信息。

“

即使不能完全确认病名，也要告诉用户今天先检查哪里、先做什么、不要做什么。

这比简单说"请咨询专业人士"更有价值。

六、这个产品真正要做的，是把经验流程产品化

这次调整让我重新理解了农业 AI 的价值。

它不应该只是一个拍照识别工具。更不应该只是一个把大模型包装起来的聊天入口。

“

它应该做的是：把照片、症状、环境信息和处理建议组织起来，形成一个更清晰、更可复查、更能继续推进的判断流程。

很多有经验的农户并不缺常识。

他们缺的是在不确定时有一个第二意见；在问题变严重前有一个提醒；在需要求助时，能把照片和情况整理清楚，发给农技员或家人。

所以"种养一拍"的下一步，不是做得更大，而是做得更准、更实用。

结语：先把一个作物做透

从"万能农业 AI"到"生姜病害专项识别"，表面上看范围变小了。

但实际上，产品变得更清楚了。

我不再试图证明 AI 什么都能做。

“

而是开始思考：AI 在真实农业场景里，究竟应该承担什么角色？

哪些事情适合交给 AI？

哪些判断必须用知识库和规则约束？

用户真正需要的是一个答案，还是一个能继续推进问题的处理流程？

“

先把一个作物做透，再谈更多品类。

这可能不是最快的路，但更接近真实产品。