🌱 起因：一次偶然的观察
周末回老家看望父母。由于老家在农村，各种农作物较多，经常听到讨论——“这叶子上这些斑点，是不是虫害？要不要打药？”但这些都是基于大家经验来的，并不准确。如需更准确的回复，得有经常去光顾的农药店老板电话或微信，不过经常由于别人太忙，无法得到一个靠谱的回复。
这一幕让我思考了很久。随着农村里智能手机的普及，农民朋友也开始习惯用手机记录生活，但他们真正需要的是即时、准确、可操作的农业知识服务。而人工智能的发展，尤其是大模型技术的成熟以及大模型成本的降低，是否能为这个问题提供一种新的解决方案？
于是，我决定尝试做一个 基于 AI 的农作物病虫害识别小程序，目标是：
让每一个农民朋友都能通过一张照片，快速了解作物健康状况，并获得简单易懂的防治建议参考，解决一部分的担忧和顾虑。
🧩 功能设计：不是为了炫技，而是解决实际问题
这几年由于工作原因研究AI颇多，但是感慨AI的逻辑太难。很多企业或政府都是想先看到效果再买单，但是要看到效果就得投入大量精力来做，而且AI的投入成本也比较高。这一系列原因都让人感觉AI就是一个“十万个为什么”。经常思考AI除了能做“十万个为什么”还能干嘛，刚好有这个契机，于是动手来尝试下。
希望大家都来试试，一起探讨AI的实际应用。
这个小程序的核心功能其实并不复杂：
但背后的技术逻辑却涉及多个模块的协作：
- 图片建议及气候防治建议需要考虑缓存（否则钱跑得飞快）
整个过程更像是在搭建一个“AI农技员”，它不替代专家判断，而是成为农户和专业之间的一座桥梁。
🔧 技术实现：选型与挑战并存
📸 图像识别部分
最初我尝试使用一些开源的分类模型（如ResNet、EfficientNet以及YOLO），但在真实场景下的泛化能力较差。后来我转向了 多模态模型，比如结合 CLIP 或者本地部署的 Ollama 模型（如 Llama3）来理解图像描述文本，再做进一步判断。但这种服务器成本太高。同时看到微信小程序开发可以直接使用微信云托管来部署后端，比较简单方便，于是使用Flask框架+dify平台来构建整个后端服务以及图像识别逻辑部分。
虽然不能做到农技专家级别的诊断，但对常见的病害类型已有不错的识别率。
💬 自然语言处理部分
为了让输出更贴近用户需求，我特别注重“语言表达”的自然性。例如，当模型识别出可能是“番茄晚疫病”时，不会直接抛出专业术语，而是给出：
“您的番茄叶片出现类似晚疫病的症状，建议减少浇水频率，保持通风，并及时联系本地农业技术人员。”
同时会从物理防治、化学防治、综合管理三方面给用户意见
这种表达方式更容易被普通用户接受和理解。
📱 微信小程序开发
选择用微信小程序，是因为它的使用门槛低，无需安装，扫码即用。开发过程中，我主要使用了：
最大的挑战是如何在有限的资源下实现“轻量级 AI 服务”，尤其是在没有公网 IP 和 GPU 的情况下。
开发过程中使用微信云托管有几个隐形的坑
- 小程序和云托管服务器通信只能走内网通信（只能使用wx.callContainer方法） ，因此无法使用wx.request来模拟SSE数据接收
- wx.callContainer调用最大超时时间为15秒，超过后直接超时
- 大模型返回较慢，因此使用后端异步任务执行，前端轮询任务ID来检测任务状态方式实现
- 微信小程序转发和分享到朋友圈功能需要先通过微信认证，然后再在响应的页面写方法才行
- 微信小程序上架审核时，需要勾选使用了用户隐私，才能调用获取位置接口
大家实际开发过程中需注意下这几个坑
📦 部署上线：从小白到“全栈工程师”
说实话，在开始之前我对部署及开发以及很多年没接触了（大学是软件专业，同时做过短时间的Java技术栈研发）。但经过几周的学习和折腾，我逐渐掌握了：
整个过程就像一场“微型创业”，虽然没有融资也没有团队，但我学会了如何把想法一步步落地。
📈 上线后的困局：技术之外，更重要的是什么？
小程序终于上线了，那一刻我挺激动的。从设计到开发、再到部署，整整花了我几周时间。我以为只要功能有用，用户自然会来。但现实狠狠地打了我一巴掌：
用户数少得可怜，除了主动转发的几个用户，自然流量太少了
每天看几十遍统计，期待能有人用🤣
毕竟产品优化进步的动力就是用户的反馈，没有反馈迭代下去的动力都少了。
欢迎大家都来试试，多点反馈，跪谢大家。
🌾 写在最后：这不是终点，而是起点
这次开发经历，不仅让我对 AI 在农业中的应用有了更深的理解，也让我更加坚定地相信：
科技不应该只服务于城市精英，也应该走进田间地头，服务最广大的农民群体。
如果你也在做类似的项目，或者对 AI 在乡村的应用感兴趣，欢迎留言交流。未来我也计划将这个项目开源，让更多人一起参与改进。
毕竟，科技的温度，不只是代码和算法，更是我们愿意为谁去写这段代码。
粤ICP备14082021号
免费POC，
零成本试错
