Appearance
种业行业 AI 调研
调研日期：2026-06-21 状态：方案设计阶段 — 待与行业公司沟通确认需求
1. 行业概览
种业是农业的"芯片"，处于农业产业链最前端，是保障国家粮食安全的战略性核心产业。核心业务涵盖：
- 科研育种（种质资源收集、杂交选育、品种测试）
- 种子生产（繁育基地管理、制种生产）
- 加工包装（精选、包衣、包装）
- 质量检测（发芽率、纯度、水分检测）
- 销售推广（经销商网络、示范推广、售后服务）
行业特点
| 维度 | 描述 |
|---|---|
| 专业门槛 | 育种需遗传学、分子生物学等多学科交叉，周期 8-10 年 |
| 经验依赖 | 育种家经验难以标准化，新人培养 5-10 年 |
| 数据密度 | 田间观测数据、基因型数据、环境数据多维交织 |
| 气候敏感 | 受气候环境影响大，区域适应性要求高 |
调研对象
- 新疆金禾源种业发展有限公司（新疆伊犁察布查尔县）
- 专注于玉米、油菜、小麦、大豆等农作物种子研发、生产、加工、销售（育繁推一体化）
- 详细公司梳理：金禾源种业
2. 业务流程
关键环节说明
- 育种阶段：从种质资源鉴定到品种审定，周期 8-10 年，是种业核心竞争力
- 生产阶段：制种基地规划、田间管理、去雄授粉、收获晾晒、加工精选
- 销售阶段：区域适应性示范、经销商管理、农户技术服务
3. 痛点分析
痛点一：育种周期长，数据管理分散
- 传统育种依赖人工记录田间观测数据（纸质、Excel）
- 多年多点试验数据难以统一汇总分析
- 育种材料系谱关系追溯困难
- 品种测试数据分散在不同试验站点
案例：一个玉米品种从组合配制到审定推广，涉及 30+ 个试验点、100+ 项性状指标，数据管理碎片化严重
痛点二：生产管理依赖人工经验
| 环节 | 传统方式 | 问题 |
|---|---|---|
| 基地规划 | 经验选址 | 缺乏数据支撑的适宜性评价 |
| 田间管理 | 人工巡田 | 病虫害发现滞后，防治不及时 |
| 去雄授粉 | 人工操作 | 窗口期紧、劳动力密集 |
| 收获决策 | 经验判断 | 最佳收获期判断不精准 |
痛点三：经验难沉淀，知识资产流失
- 育种家经验存在个人脑中，靠"传帮带"传承
- 历年育种数据分散存放，缺乏统一知识库
- 核心技术人员流动 = 多年育种材料信息断层
- 品种推广经验难以跨区域复用
痛点四：质量追溯与销售管理粗放
- 种子从制种到销售全链条追溯手段落后
- 经销商管理依赖人工台账，窜货问题难管控
- 农户种植反馈信息收集不系统
4. AI 机会地图
技术分层：信息化 ≠ AI ≠ LLM
在讨论具体场景前，先做关键区分——并非所有提效都需要大模型：
| 层级 | 定义 | 种业典型场景 |
|---|---|---|
| 📊 信息化 | 数据电子化、流程线上化、系统打通 | 数据汇总平台、质量追溯、经销商管理 |
| 🤖 AI/ML | 机器学习、计算机视觉、预测模型 | 病虫害识别、产量预测、表型自动测量 |
| 🧠 LLM | 大语言模型：非结构化理解、自然语言交互、知识推理 | 育种报告生成、经验问答、文献解读 |
⚠️ 核心原则：能用信息化解决的不用 AI，能用传统 ML 解决的不用 LLM。
场景筛选：哪些真正需要 LLM？
以下用 🔑 标记 LLM 特有价值，用 💻 标记信息化/AI 即可覆盖的部分。
| # | 场景 | 优先级 | LLM 相关度 | 说明 |
|---|---|---|---|---|
| 1 | 🔑 育种知识库问答 | ⭐⭐⭐⭐⭐ | 强依赖 LLM | 田间笔记、育种日志是非结构化文本，只有 RAG 能有效检索问答 |
| 2 | 🔑 试验报告自动生成 | ⭐⭐⭐⭐ | 强依赖 LLM | 多年多点数据 → 自然语言总结报告，LLM 的泛化写作能力不可替代 |
| 3 | 🔑 农户服务智能助手 | ⭐⭐⭐⭐ | 强依赖 LLM | 品种咨询、栽培技术问答需要自然语言理解与生成 |
| 4 | 💻 育种数据管理平台 | ⭐⭐⭐⭐⭐ | 弱（信息化为主） | 核心是数据 ETL + 可视化，传统 BI/数据库即可 |
| 5 | 💻 田间病虫害识别 | ⭐⭐⭐ | 中（CV 模型） | CNN 图像分类，不需要 LLM |
| 6 | 💻 种子质量追溯 | ⭐⭐⭐ | 弱（信息化为主） | 二维码 + 数据库 + 区块链存证 |
LLM 场景详解
场景一：育种知识库问答（RAG）
为什么非 LLM 不可：
- 育种家几十年积累的田间笔记、观察记录是非结构化文本
- "这个自交系在干旱年份的表现如何？"——传统关键词搜索无法理解语义
- 品种选育过程的决策逻辑隐藏在文字描述中
LLM 方案：
田间笔记、育种日志、品种审定报告 → 向量化入库 → 自然语言提问 → RAG 检索 + LLM 生成回答
| 对比 | 传统方式 | LLM 方式 |
|---|---|---|
| 查找历史记录 | 翻纸质笔记 / 按文件名搜索 | 自然语言提问，秒级定位 |
| 经验传承 | 口头传帮带 | 新人直接问知识库 |
| 跨年份对比 | 人工翻阅多年记录 | "对比 2019 和 2022 年该组合的产量表现" |
场景二：试验报告自动生成
为什么非 LLM 不可：
- 品种审定报告、区域试验总结需要专业的文字表达能力
- 数据解读需要结合农学知识给出定性判断
- "该品种在中等肥力条件下表现优异，建议在 XXX 区域推广"——这类结论写作 LLM 天然擅长
场景三：农户服务智能助手
为什么非 LLM 不可：
- 农户提问方式口语化、非标准化："这个种子咋种？一亩地下多少？"
- 需要将专业知识翻译成农民能听懂的语言
- 可以接入品种数据库实时检索
信息化前置（不做 AI 也得做）
以下工作是 AI/LLM 的前提，且本身就有独立价值：
| 工作 | 价值 | 对应场景 |
|---|---|---|
| 育种数据标准化入库 | 终结 Excel/纸质分散管理 | 场景 4 |
| 系谱关系数字化 | 育种材料追溯不再靠人脑 | 场景 4 |
| 品种试验数据统一平台 | 多年多点数据一键汇总 | 场景 2 前置 |
| 种子批次二维码 | 窜货可查、质量可追 | 场景 6 |
技术可行性评估
- RAG（检索增强生成）：场景 1、2、3 的核心——育种知识检索、报告生成、农户问答
- LLM Agent：场景 2 的自动化报告编写 + 数据查询编排
- 计算机视觉（CNN）：场景 5 病虫害识别、表型自动采集
- 传统数据工程：场景 4、6 的 ETL、数据库、BI 可视化
5. 解决方案
方案分层架构
┌──────────────────────────────────────┐
│ 🧠 LLM 层 │
│ 育种知识问答 │ 报告生成 │ 农户助手 │
├──────────────────────────────────────┤
│ 🤖 AI/ML 层 │
│ 病虫害识别 │ 产量预测 │ 表型分析 │
├──────────────────────────────────────┤
│ 📊 信息化基座 │
│ 数据平台 │ 系谱管理 │ 质量追溯 │
└──────────────────────────────────────┘原则：先夯实信息化基座，再叠加 AI 能力，LLM 只用在刀刃上。
核心方案
- 育种知识库（LLM） — 田间笔记 + 育种日志 → 向量化 → RAG 智能问答
- 试验报告生成（LLM） — 品种测试数据 → LLM 自动生成审定报告初稿
- 农户服务助手（LLM） — 品种咨询 + 栽培指导的自然语言对话
- 育种数据平台（信息化） — 多年多点试验数据统一汇总 + BI 可视化
- 质量追溯系统（信息化） — 制种 → 加工 → 销售二维码全链条
6. 落地路径
| 阶段 | 周期 | 内容 | 技术层级 | 验收指标 |
|---|---|---|---|---|
| 第一阶段：信息化基座 | 1-2 个月 | 育种数据清洗入库 + 系谱数字化 + 基础数据平台 | 📊 信息化 | 历史数据入库率 ↑80% |
| 第二阶段：LLM 试点 | 2-3 个月 | 育种知识库 RAG + 报告生成 MVP | 🧠 LLM | 知识问答可用，报告初稿可用 |
| 第三阶段：全链扩展 | 长期 | 农户助手 + 病虫害 CV + 全产业链平台 | 🧠+🤖+📊 | 育繁推一体化智能管理 |
MVP 最小可行范围
第一期只做两件事（明确 LLM 价值）：
- 育种知识库 RAG — 选取 2-3 个品种的完整育种档案，构建 RAG 知识库
- 试验报告生成 — 基于品种测试数据模板，LLM 自动生成审定报告初稿
下一步
- [ ] 与金禾源种业技术人员沟通，确认需求优先级
- [ ] 收集育种历史数据样本（田间观测表、品种测试报告）
- [ ] 设计 MVP 功能范围（优先：育种数据分析 + 知识库）