农业场景数据接入
围绕生产现场、温室环境、农产品图像和采后分拣记录建立数据入口，为视觉识别、状态追踪和后续决策建议提供统一上下文。
VLM 核心模型
Agent 决策方式
Beta 开发状态
Build Log
实现路径
视觉模型识别与评估
通过视觉模型识别作物长势、果品状态、病虫害线索和采后质量特征，把图像信息转化为可被系统进一步分析的结构化观察结果。
LLM 解释与策略生成
大语言模型结合场景规则、历史记录和识别结果，生成生产管理、质量分级、异常处理和采后操作建议，让结果具备更强解释性。
Agent 任务编排
Agent 层负责把识别、查询、判断、提醒和建议拆解成可执行步骤，支持持续追踪状态变化，并为后续自动化操作预留扩展空间。
System Notes
结构观察
多源感知层
系统从图片、环境数据、人工记录和采后流程中收集信息，让农业生产和采后管理不再依赖单一数据源判断。
模型分析层
视觉模型负责识别可见状态，大语言模型负责解释上下文和生成策略，两类模型共同形成从“看见问题”到“说明问题”的能力链路。
Agent 决策层
Agent 将识别结果、业务规则和任务目标组织成连续决策过程，帮助系统完成异常预警、管理建议、复核提醒和任务分发。
业务应用层
面向葡萄等农产品的生产管理、质量评估、采后分拣和经营分析，提供可落地的管理界面与持续迭代的智能助手能力。
Vision ModelLLMAgent农业管理
Project Gallery
项目场景合集
这里收集项目的实际界面与核心场景截图，用来快速感知项目气质、功能入口和典型使用路径。
Live Screenshot
H5 体验首页
葡知 H5 的首屏界面，以“看见葡萄成熟的进程”为核心表达，提供成熟阶段样例和真实照片识别入口。
Live Screenshot
成熟阶段样例
横向成熟阶段卡片用于快速理解幼果期、转色期和成熟期差异，为后续识别结果提供直观参照。
Live Screenshot
照片识别入口
用户可以拍照识别或从相册选择葡萄图片，AI 结果用于辅助判断，采后参数仍结合品种与生产规程确认。
Live Screenshot
移动端完整页面
完整页面展示从成熟阶段选择到自有照片识别的体验路径，体现农业场景里轻量、直接、可落地的交互方式。Review Notes
阶段复盘
- 农业 AI 系统不能只停留在单次识别，真正有价值的是把识别结果放回生产和采后流程里形成连续判断。
- 视觉模型适合承担现场观察，大语言模型更适合承担解释、归纳和建议生成，两者需要通过清晰的数据结构连接。
- Agent 在这个项目里的重点不是炫技式自动化，而是把多步骤判断、状态追踪和业务动作组织成稳定可复核的工作流。
- 持续开发中的系统要优先保证场景闭环，从少数高价值农业任务做深，再逐步扩展到更完整的管理矩阵。
More Notes
继续查看技术记录与公众号内容。
访问博客 
Code of Duty 扫码关注公众号