图像识别可以帮助发现病害，气象和土壤数据可以支持灌溉判断。这些应用看起来依赖复杂模型，落地时却常被更普通的问题阻碍：设备没电、传感器位置变化、人工记录缺少时间。

农业环境持续变化，同一数值在不同地块可能含义不同。

采集要贴近作业过程

数据点必须与播种、施肥、灌溉和收获等实际动作对应。只有温湿度，没有作业记录，模型很难解释产量变化。

记录工具应适合田间使用，减少输入步骤并支持离线。要求一线人员填写过多字段，数据很快会出现空缺。

田间数据的质量，取决于它能否跟真实作业对上时间和地点。

不同地块不能直接复制

在一个地区有效的规则，换到另一种土壤和气候条件下可能失效。模型需要标明适用范围，并在新地块保留观察期。

小概率病害和极端天气数据尤其稀缺。系统可以给出风险提示，但不能把不确定结果包装成精确指令。

建议必须说明依据

农业生产者需要知道建议来自哪些数据，设备是否正常，以及不采取行动会有什么影响。出现冲突时，现场经验仍应保留最终判断空间。

有用的农业AI不必覆盖全部环节。先把一个高频问题的数据采准、反馈做通，比堆叠更多预测功能更实际。