农业、林业、畜牧业与渔业

连接自然生产、现场作业与供应链 农业、林业、畜牧业与渔业的 AI 智能体应用，主要集中在种植监测、农机作业、农产品质量、供应链追溯 和经营支持，并正向育种、植保、畜牧、林业与渔业延伸。

本章核心结论

农业、林业、畜牧业与渔业共享三个特征：生产对象具有生命过程，经营结果受自然环境影响，许多 关键动作发生在田间、圈舍、林区和水体。AI 智能体要产生业务价值，需要把遥感、气象、传感器、 影像和经营数据转成可执行任务，再把人工或设备动作与生产结果写回同一条记录。 目前较成熟的应用集中在多源风险监测与农艺建议、农机作业与调度、农产品质量与供应链追溯、农 业知识和经营支持。智能育种、植保治理和生鲜冷链也已出现项目探索，并逐步形成从监测、判断到 任务执行和结果回写的业务链。 本行业的高风险边界十分清楚：农药和兽药使用、疫病处置、品种选育、正式质量定级、采伐捕捞、 农机控制与交易结算都需要专业人员或授权主体确认。模型可以监测、诊断、排序、生成任务和记录 结果，不能绕过资质、法规、安全联锁和现场责任人。 本章重点覆盖三个方向：

• 将智能育种从“品种知识问答”提升为独立的长周期科研链；
• 将农机从单机自动作业扩展到跨地块排程、共享服务、质量验收和结算；
• 将农产品追溯、温控预警、库存和销售协同纳入生产之后的经营闭环。

一、行业边界与子行业

本章保留一个上位行业簇，内部按照四条生产链和一条横向流通链展开。

1. 种植业

围绕种质、品种、地块、生育期、土壤、气象、水肥、病虫草害、农机、收获和质量分级展开，也是 农业 AI 智能体应用较为集中的子行业。

2. 畜牧业

围绕种源、饲料、圈舍、动物个体或群体、疫病、出栏、运输、屠宰和食品安全展开，智能体可连接 繁育、精准饲喂、疫病预警、采购、运输和肉品冷却。

3. 林业

围绕资源调查、育苗造林、抚育、防火、病虫害、采伐运输、生态服务和碳汇核算展开。遥感、无人 机和预测模型是重要能力部件，相关完整执行型智能体仍处于探索与试点阶段。

4. 渔业

围绕苗种、水体、投喂、病害、生长、起捕、加工、冷链和销售展开，水质预测、投喂优化和机器视 觉可作为感知与决策工具，连接“发现—处置—复检—经营结果”闭环。

5. 农产品供应链与经营

产地批次进入质检、分选、仓储、冷链、交易和销售后，会与食品制造、零售和物流交叉。本章关注 农业特有的产地、品种、生产台账和批次追溯；仓内调度、门店经营和干线运输的通用能力分别在零 售和物流章节展开。

二、核心业务链全景

资源与经营规划 → 种质与育种 → 生产计划 → 环境与生长监测 → 农事 饲喂 投喂与设施作业 → 病虫害 疫病 与灾害处置 → 采收 出栏 起捕或采伐 → 质检 分级与追溯 → 仓储 冷链与运输 → 交易 销售与结算 → 经营复 盘与知识回写 这条链在四个子行业中的业务对象不同。种植业关注地块和作物批次，畜牧业关注动物个体或群体， 林业关注林班和生态资源，渔业关注养殖池、网箱、船舶和水产品批次。企业需要先统一对象标识， 再谈跨系统智能。 环节 主要角色 输入与输出 典型瓶颈 AI 智能体机会 资源与经营规划 农场主、合作社、林场、 养殖企业、政府服务部门 土地/水体/林地、历史产量、 市场和政策 → 年度计划与预算 数据跨部门分散，计划依赖经验 政策研究、产销规划、投 入测算智能体 种质与育种 育种专家、科研人员、试 验站 基因型、表型、环境、文献、 试验记录 → 候选组合和试验方 案 长周期、多因素、知识分散 智能育种科研智能体 生产计划 农艺师、兽医、水产技术 员、生产经理 品种、生育期、天气、产能、 订单 → 农事/饲喂/投喂计划 计划与实时环境脱节 农业生产计划与决策智能 体 环境与生长监测 农技人员、场站管理者 遥感、气象、土壤、水质、影 像、传感器 → 风险定位与趋势 数据尺度不一，误报后无人处理 多模态监测与诊断智能体 现场作业 机手、一线人员、设备管 理者 任务、地块、机具、药剂、人 员 → 作业轨迹和结果 跨地块调度难，弱网和设备故障频 繁 农机调度、植保治理、设 施作业智能体 生物风险与灾害 农艺师、兽医、林业和水 产专业人员 病征、影像、气象、流行病学 和规则 → 处置建议与任务 漏报成本高，专业责任重 病虫害、疫病、火灾和水 体风险智能体 采收与质量 生产、质量、采购 批次、成熟度、图像、检测值 → 采收/出栏和分级 标准不一，现场检验慢 成熟度、质量识别与定级 辅助智能体 追溯与冷链 仓储、物流、质量、客户 生产台账、批次、温湿度、位 置 → 追溯链和处置任务 数据断链，告警停在看板 追溯、冷链预警和异常闭 环智能体 交易与经营 采购、销售、财务、管理 层 行情、质量、合同、库存、订 单 → 交易建议和经营分析 价格波动、损耗和履约难归因 采购、供需协同、销售经 营智能体

三、逐环节业务流程与问题

1. 育种：模型建议必须回到田间试验

智能育种需要把种质资源、论文、基因型、表型、环境和历年试验记录放在同一研究上下文中。智能 体可以检索相似材料、发现数据缺口、提出亲本或组合候选、生成试验设计，并跟踪试验状态。

真正的业务输出是可执行的试验计划和可追溯的候选依据。最终选育判断仍由育种专家负责，模型结 果需要跨季节、跨试验地和跨品种验证。

2. 环境监测与风险诊断：从“一个指数”走向任务闭环

旱情、病虫害、水质、火情和圈舍环境通常依赖多源数据。卫星适合区域尺度，无人机和摄像头适合 局部影像，地面传感器提供连续数值，人工巡查补充现场语义。智能体的任务是对齐时间、位置和生 产对象，形成风险等级、原因候选和处置建议。 只有预警并不够。系统还要把任务派给农艺师、兽医或现场人员，记录是否采纳、何时执行、复检结 果和最终损失。否则企业只能得到一个新的告警看板。

3. 农机与植保：调度层和控制层分开

农机任务编排涉及天气窗口、地块位置、作物阶段、机具能力、人员、道路和订单优先级。智能体可 以生成排程、路线和改排方案，也可以跟踪轨迹、面积和作业质量。 车辆运动、植保飞行、药剂用量和现场停机由确定性控制器、专业规则和资质人员负责。无人机备案、 禁飞区、药剂禁用规则、人工接管和异常上报需要先固化，再开放工具调用。

4. 质量、追溯与交易：识别结果需要对应正式标准

粮食质量识别、农产品分级和动物健康评估可以提高初检效率。企业需要同时保存原图、设备、模型 版本、人工复核和正式检验结果，以判断误判是否影响价格、放行或争议。 追溯智能体则从地块、圈舍或水体开始，关联投入品、生产操作、质检、批次转换、仓储和运输。追 溯链中任何一段缺失，召回范围和责任定位都会失真。

5. 冷链与供需协同：告警需要能改变损耗结果

冷链系统持续读取温湿度、位置、停留时间和设备状态。完整智能体在越界后会判断品类阈值和剩余 时效，通知责任人、生成转仓或优先销售建议，并把最终报损和客户结果写回。 供需协同还需要读取订单、销量、库存、在途和保鲜期，输出采购、调拨或促销建议。采购承诺、价 格和结算仍由授权人员确认。

四、AI 智能体全景图

业务链 代表智能体或相邻能力 主要动作 种质与育种 智能育种科研智能体 候选分析、试验设计、记录跟踪 生产规划 产销计划与投入测算智能体 生成情景计划和风险提示 环境监测 农业多模态监测—诊断智能体 风险定位、原因排序、任务移交 旱情与产量 旱情指数、作物健康和产量预测 预测和建议 病虫害与农技 农技知识和病害辅助智能体 带依据问答、识别和处置建议 农机作业 自主农业作业平台 感知、规划和物理作业 农机服务 农机任务编排与共享调度智能体 跨地块排程、改排、作业验收 植保治理 植保无人机作业治理智能体 备案草稿、任务、轨迹和台账 设施控制 温室照明、水肥和环境优化系统 预测、控制建议或设备动作 畜牧采购 生猪采购助手 推荐、合同草稿、验标和物流预警 质量分级 小麦 GeoAI 质量定级平台 图像识别和定级辅助 生产追溯 农产品生产追溯智能体 批次关联、异常定位、召回线索 冷链 生鲜冷链风险预警智能体 分级预警、派单和损耗回写 供需经营 生鲜供应链协同决策智能体 补货、调拨、优先销售建议 销售管理 海大销售 360/ 高管分身 客户全景、评分和业务辅导 林业 防火、病虫害、资源与碳汇智能体 监测、任务和核算 渔业 水质、投喂、病害和起捕智能体 预测、建议和现场任务 全景图中的预测模型、识别模型、控制系统和规则工作流都可能成为智能体工具。只有补齐目标理解、 工具调用、动作、状态反馈和责任边界后，才进入完整执行型智能体。

五、重点智能体工作卡

1. 农业多模态监测与生产决策智能体

字段 内容 服务对象 农场经理、农艺师、合作社技术员和农业服务机构 触发条件 定时监测，或气象、土壤、影像、生长指标出现异常 主要输入 遥感、无人机、气象、土壤、水肥、作物影像、生产计划和农技规则 判断与规划 对齐地块和生育期，识别风险，生成原因候选、处置顺序和缺失信息 工具与系统 GIS、农业物联网、气象服务、农事台账、任务与通知系统 输出与动作 风险地图、处置建议、巡查或作业任务、复检提醒和结果记录 人工控制点 农艺师确认农药、水肥和重大生产调整；设备动作进入独立控制和安全规则 验收指标 风险提前量、漏报和误报、建议采纳率、任务关闭率、产量/损失和投入变化

2. 智能育种科研智能体

字段 内容 服务对象 育种专家、科研人员、试验站和种业企业 触发条件 新选育任务、亲本和组合筛选、试验设计或阶段性评价 主要输入 种质、基因型、表型、环境、文献、历年试验和专家标注 判断与规划 检索相似材料，提出候选组合和试验设计，标记证据和不确定性 工具与系统 种质资源库、试验数据库、科研文献、统计和生物信息工具 输出与动作 候选清单、试验方案、缺失数据、阶段报告和待办任务 人工控制点 专家决定组合与淘汰；试验结果按品种、地点和季节复核 验收指标 候选命中、专家修改率、试验设计完整性、跨季稳定性和知识可追溯

3. 农机任务编排与共享服务智能体

字段 内容 服务对象 农机合作社、农服平台、机手和农户 触发条件 新农事订单、天气变化、设备故障或作业延误 主要输入 农事窗口、地块位置、机具能力和状态、天气、人员、订单与道路 判断与规划 匹配机具，优化跨地块路线与时段，异常时滚动改排 工具与系统 农服订单、GIS/ 北斗、设备平台、气象、工单与结算系统 输出与动作 排程、路线、任务单、异常改排、作业验收和结算草稿 人工控制点 机手确认现场条件；运动和作业控制由设备安全系统执行；费用争议人工复核 验收指标 准时率、空驶、单位面积成本、改排次数、人工接管、返工和安全事件

4. 生鲜冷链风险与供应链协同智能体

字段 内容 服务对象 产地企业、仓储、物流、采购、门店和质量人员 触发条件 温湿度或时效越界、库存临期、在途延迟、需求偏差 主要输入 批次、品类阈值、质检、库存、订单、在途、温湿度、位置和保鲜期 判断与规划 判断影响范围和剩余时效，生成转仓、调拨、补货或优先销售建议 工具与系统 ERP、WMS、TMS、冷链物联网、门店 POS、质量和工单系统 输出与动作 分级预警、处置任务、追溯链、采购/调拨建议和损耗复盘 人工控制点 质量放行、报损、召回、价格和采购承诺由授权人员决定 验收指标 温控异常响应、追溯完整率、损耗、缺货、周转、误报和按期关闭率

六、代表案例

案例一：农业 AI 规模化项目组——把模型输出追到经营结果 目前，旱情预警、自主农业平台、粮食质量定级、设施农业照明和肉品冷却等应用已经进入项目实践。 它们分属预测、机器视觉、优化和物理控制，共同呈现出农业 AI 的完整验收路径：现场数据进入模型 ，专业人员确认建议，设备或人员执行，再观察产量、质量、损耗、资源投入和经营结果。 农业项目的效果评估必须明确项目范围、对照基线、生产季节和计算口径，避免将天气、品种、管理 和市场变化全部归因于 AI。 图：农业 AI 规模化应用原文配图 案例二：十字花科蔬菜智能育种大模型项目 山东省重点研发计划相关公开信息可以确认项目已经启动，研究对象覆盖十字花科蔬菜智能育种。它 适合用于说明种质、表型、基因型、环境、试验和专家知识如何构成一个长期科研链。 该项目已经启动，当前重点是建立育种数据、模型建议、田间试验和结果回写的闭环；育种成效应以 完成验收后的田间结果和经营收益衡量。 案例三：生鲜农产品供应链智能化——追溯和冷链是基础层 相关材料将生产、质检、仓储、运输和销售串成连续链路。文中明确，运输和仓储环节以温湿度监测 与预警保障货架期和保质期，生产端则依赖批次和过程信息形成追溯。 这类系统在加入派单、处置、复检和损耗回写后，才能形成完整的执行型智能体；实际成效应以冷链 损耗、异常关闭时间和复检结果衡量。

图：生鲜农产品供应链智能化结构 案例四：海大销售 360——行业企业案例与农业生产案例分开 海大集团将 BI、CRM 和一线销售提交组织成客户全景、评分和业务辅导，展示了农牧企业销售经营智 能体的应用方式。该智能体服务客户经营，与田间、圈舍或水体生产智能体属于不同业务链。

七、系统、数据与权限

1. 核心数据对象

• 种植：地块、品种、生育期、农事、投入品、设备和批次；
• 畜牧：动物个体/群体、种源、饲料、圈舍、检疫、用药和出栏批次；
• 林业：林班、小班、树种、蓄积、巡护、火情、病虫害和采伐许可；
• 渔业：池塘/网箱、水体、苗种、投喂、用药、船舶、起捕和加工批次；
• 供应链：质检、仓库、运输、温控、订单、价格、损耗和结算。 每个对象需要统一编码，关联时间、位置、责任人和版本。建议、批准、执行和结果要写入同一任务 链。

2. 系统接口

常见接口包括农业物联网、GIS/ 北斗、遥感和气象服务、无人机与农机平台、农事台账、实验数据库、 ERP、WMS、TMS、质量、合同、支付和协同系统。 弱网场景需要本地缓存和离线任务；设备接口需要状态校验、超时、重试和人工接管；跨农户和平台 共享数据时需要明确权属和授权用途。

八、企业落地路线

阶段 0：选定生产对象和基线 从一个地块、一个温室、一类设备、一条冷链或一种高频问题开始。记录当前监测覆盖、处理时间、 损失、投入和责任链。 阶段 1：只读知识与风险分析 先上线农技检索、试验资料整理、历史作业查询、风险报告和追溯查询。重点验证来源、版本、地域 和品种适用性。 阶段 2：受控任务执行 允许智能体创建巡查、采样、维修和调度草稿，由人员确认后进入现场。同步验证弱网、重复任务、 错误路由和回写失败。 阶段 3：有限闭环 低风险、规则明确的提醒、台账和任务流转可以自动执行。农药、兽药、疫病、设备运动、正式定级 和交易保持人工闸门。 阶段 4：跨周期与规模复制 至少经过一个完整生产周期，再验证跨季节、跨地块、跨品种和跨基地迁移。复制时同时复制数据合 同、专业规则、权限和验收方法。

九、评测与验收

场景 任务质量 业务结果 闭环与风险 风险监测 提前量、召回率、误报率、定 位准确 损失、产量、水肥和响应工时 建议采纳、任务关闭、漏报升级 智能育种 候选命中、专家修改、证据完 整 试验周期和有效候选率 跨季/跨地验证、错误淘汰复核 农机调度 计划兑现、改排、路线可执行 空驶、单位面积成本、准时率 安全冲突、人工接管和回退 植保治理 备案字段、轨迹与台账完整 作业覆盖和异常处置时间 禁飞/禁用阻断、资质确认 质量分级 与正式检验一致、漏检和误判 检验时间、争议、价格兑现 人工复核和错误放行 追溯与冷链 批次关联、预警有效、定位准 确 损耗、缺货、周转和客诉 断链、篡改、超时升级和召回审 批 知识助手 引用正确、版本正确、拒答质 量 咨询和培训时间、问题解决率 高风险问题转专家、纠错回写 验收周期要覆盖真实季节和生产波动。单次演示或平均准确率无法替代跨地块、跨品种和边界工况测 试。

十、风险边界

• 专业责任：农艺、兽医、水产和林业建议需要来源、版本和适用条件；模型不承担资质责任。
• 物理安全：农机、无人机、阀门和设施设备使用确定性控制与安全联锁，大语言模型不进入唯一控 制链。
• 长期漂移：季节、区域、品种、病原、设备和经营模式变化会导致模型失效，需要持续复评。
• 数据权属：农户、合作社、平台和设备商之间明确采集、共享、训练、保存和删除范围。
• 成效归因：产量和损耗同时受天气、品种、管理和市场影响，需要对照基线，不能全部归因于智能 体。

十一、来源索引

核心来源

• 农业 AI 如何从试验走向规模化应用
• 农业 AI 智能体成熟度评估体系
• 生猪采购助手行业方案
• 海大集团销售管理公开案例
• 中国人工智能学会农业大模型白皮书转载
• 农机制造业转型案例及启示
• 十字花科蔬菜智能育种项目启动信息
• 生鲜农产品供应链智能化探索 本章小结 农业智能体的关键能力，是把分散在自然环境、生命过程、现场设备和经营系统中的状态组织成任务。 企业应先让风险可观察、建议可追溯、动作可确认、结果可回写，再逐步开放调度和设备接口。 现阶段，种植、农机和生鲜供应链已经形成清晰的应用路径。畜牧、林业和渔业可围绕繁育、饲喂、 疫病、水质、投喂、防火和资源管理继续建设垂直智能体。