LLM как агроконсультант: подключаем языковую модель к ферме

Языковая модель (LLM — large language model, «большая текстовая нейросеть») не ходит по теплице и не нюхает корни. Зато вечером, когда агронома рядом нет, она хорошо помогает структурировать осмотр: какие вопросы задать себе, что проверить первым, какие гипотезы отсечь. Это не диагноз и не рецепт. Это умный блокнот, который отвечает связным текстом.

Статья — про практическое подключение такого консультанта к хозяйству: чем API отличается от локальной модели, как формулировать запросы, где модель уверенно врёт, сколько это стоит и как вводить без риска для растений и кошелька. Контекст серии — план, вводная, сравнение типов сетей — CNN / RNN / LLM. Зрение камеры мы разобрали отдельно; здесь — текстовый слой.

Аналогия: консультант по телефону, а не бригадир с опрыскивателем

Представьте, что вы звоните опытному знакомому: «Нижние листья желтеют, капля есть, EC вот такой — с чего начать?» Хороший знакомый не орёт «лей препарат X по 3 мл». Он спрашивает уточнения и даёт порядок проверки: свет, полив, корни, вредители, потом уже химия.

LLM ближе к такому звонку. Разница: модель не знает ваш конкретный сорт и ваш микроклимат, пока вы сами не расскажете. И иногда говорит уверенно даже тогда, когда данных мало — как человек, который стесняется сказать «не знаю».

Правило серии, которое нельзя нарушать: LLM предлагает гипотезы и чек-лист. Препараты, дозы, сроки ожидания — только через ваш регламент, этикетку и голову. Никакого слепого опрыскивания «потому что чат написал».

Что модель делает хорошо на ферме

• Разбор симптомов в виде упорядоченного чек-листа на сегодня.
• Пересказ длинной инструкции простым языком (без потери осторожности, если вы это потребуете в промпте).
• Черновик дневника поля: «сводка за день» по вашим заметкам.
• Связка с цифрами: «вот мин/макс температуры и алерт камеры — что проверить утром?» (когда появится мост со сводкой).
• Мультимодальные модели — комментарий к фото листа (с ещё большей оговоркой: фото ≠ лаборатория).

Что модель делает плохо — и почему это опасно

• Точные дозы СЗР «под ваш регион и фазу» без вашей проверки по этикетке.
• Гарантию диагноза по одному размытому снимку.
• «Свежие» цены, вспышки болезней в районе, изменения законов — если нет доступа к актуальным источникам.
• Уверенный тон при нехватке данных: звучит умно, по сути — гадание.

Отсюда рабочая дисциплина: любая рекомендация, которая стоит денег или несёт риск для урожая/здоровья, проходит через человеческое подтверждение. Модель — советчик. Опрыскиватель — только после вас.

Рабочий промпт: учите модель быть осторожной

«Промпт» — это просто текст задания. Чем яснее роль и запреты, тем меньше вредного креатива.

Ты помощник агронома, не врач растений и не продавец СЗР.
Не назначай препараты и дозы как обязательные действия.
Если данных мало — сначала перечисли, чего не хватает.

Культура: томат, теплица, юг России.
Симптомы: желтеют нижние листья, пятна с жёлтым ореолом.
Условия: капля по утрам, EC поливной воды ~1.8, ночи ~12 °C.
Вчера камера CAM-3 дала класс late_blight с уверенностью 0.81
(это подсказка модели зрения, не лабораторный диагноз).

Дай:
1) 3 вероятные причины по убыванию вероятности;
2) что проверить сегодня своими руками (без химии);
3) когда имеет смысл звать специалиста / сдавать анализ;
4) какие риски, если ничего не делать 2–3 дня.
Пиши коротко, по делу, русским языком.

Такой запрос превращает чат из «оракула» в помощника по приоритетам. Если у вас уже есть классы с камеры и нейросети, вставляйте их как гипотезу, а не как истину.

Облако (API) vs локально: как выбрать без религии

API — вы отправляете текст (иногда фото) на сервер компании по ключу и получаете ответ. Примеры: GigaChat, OpenAI и аналоги. Локально — модель крутится на вашем ПК или сервере дома (Llama, Qwen и др.), данные не уезжают.

Практичное правило для фермы:

• Нужен быстрый старт и редкие вопросы вечером — начните с API, но не отправляйте точные координаты дома, ФИО работников, пароли, полные схемы охраны, сырые базы клиентов.
• Много чувствительных данных, слабый интернет, желание держать всё дома — смотрите локальную 7B–14B на ПК с видеокартой 8+ ГБ или на более мощном «мозге» хозяйства.
• Гибрид (лучший зрелый вариант) — дома агрегируете, в облако уходит обезличенная сводка: это тема моста.

Мини-интеграция с ботом: реальный вечерний сценарий

1. Вы пишете в Telegram/VK боту: «Томаты, ряд 4, желтизна снизу, капля».
2. Сервер (хотя бы скрипт на Raspberry Pi) добавляет контекст: культура поля, последние алерты датчиков, вчерашний класс с камеры.
3. Уходит запрос в LLM (API или локально).
4. Ответ приходит с дисклеймером: «Это гипотезы, не назначение СЗР».
5. Кнопки: «полезно» / «мимо» / «нужен человек» — чтобы вы не забывали, что финал за вами.

Транспорт алертов и команд у вас уже может быть на MQTT. Важно: ответ LLM кладите в топик вроде farm/.../advice, а не сразу в .../actuators/cmd. Иначе совет «проветрить» случайно станет командой сервоприводу без политики безопасности.

Ложные советы и как их ловить

«Ложная тревога» у текстовой модели выглядит иначе, чем у камеры. Камера орёт «болезнь!». LLM спокойно предлагает лишнюю химию или путает дефицит с патогеном.

Признаки опасного ответа:

• сразу препарат и доза, без вопросов;
• игнор ваших условий (нет капли / другой регион);
• смешение культур («для огурца» в ответе про томат);
• ссылки на несуществующие ГОСТ/препараты (бывает).

Защита простая и жёсткая:

1. В системном промпте запретите назначение СЗР без оговорки «проверь этикетку и регламент».
2. Требуйте сначала полевые проверки (корни, полив, вредители на нижней стороне листа).
3. Любое действие с насосом/реле — только после вашего confirm (см. агентов).
4. Ведите журнал: «совет модели → что сделали → что вышло». Через месяц видно, где модель полезна.

Стоимость: чтобы не удивляться счёту

Очень грубо:

• API: при паре десятков коротких вопросов в день часто укладываетесь в небольшую сумму в месяц; длинные простыни и фото дороже. Следите за лимитами.
• Локально: разовый бюджет на видеокарту/ПК может быть заметным, зато дальше — электричество. Для редких консультаций API обычно дешевле старта.
• Время: один вечер на бота и шаблон промпта; потом — привычка писать симптомы структурировано.

Не гонитесь за «самой большой» моделью. Для чек-листа осмотра часто достаточно средней. Экономия и скорость важнее пафоса.

Постепенный rollout

1. Неделя 1. Только ручной чат в браузере/приложении. Без бота. Выучите, как формулировать симптомы.
2. Неделя 2. Шаблон промпта + запрет на «назначить СЗР».
3. Неделя 3. Бот, который подмешивает последние алерты датчиков/сенсоров и камеры.
4. Неделя 4+. Решение: остаётесь на API, уходите локально или строите мост со сводками.

Не подключайте LLM к поливу и вентиляции напрямую. Сначала пусть отвечает текстом. Автоматика климата — по порогам и проверенным правилам из статей про полив и вентиляцию.

Как описать симптомы, чтобы ответ был полезным

Модель не телепат. Чем ближе ваш текст к полевому журналу, тем меньше воды в ответе. Короткий каркас, который можно сохранить в заметках телефона:

1. Культура, сорт (если знаете), закрытый грунт или поле.
2. Где симптом: нижний ярус / верх / плоды / точка роста.
3. Как выглядит: цвет, пятно, налёт, увядание, дырки.
4. Как быстро развивается: со вчера / неделю / «всегда так».
5. Микроклимат: капля, жара, холодные ночи, недавний полив.
6. Что уже пробовали и чем закончилось.
7. Если есть — класс с камеры и показания датчиков за сутки.

Плохой запрос: «Помидоры болеют, что купить?» Хороший: «Томат черри, теплица, нижние листья с жёлтым ореолом два дня, утром капля, ночи 12 °C, полив вчера был, вредителей на нижней стороне не вижу — дай порядок проверки без назначения СЗР».

Локальный запуск без страха «серверной комнаты»

Если решите держать модель дома, думайте как о покупке ещё одного инструмента в мастерскую, а не о дата-центре.

• Для чек-листов часто хватает модели класса 7B–14B в квантованном виде (сжатый формат, чтобы влезала в память).
• Нужен ПК или мини-сервер с достаточным объёмом видеопамяти либо терпение к медленному ответу на процессоре.
• Интерфейс может быть простым: локальный чат в браузере на домашней сети + тот же шаблон промпта.
• Обновляйте модель раз в несколько месяцев, как обновляете справочники — не каждую неделю ради моды.

Если железо тянуть не хотите — оставайтесь на API, но режьте объём: короткие вопросы, без приложения всей истории теплицы за год. Длинный контекст = длинный счёт и больше шансов «утопить» важное.

Связка с камерой и мостом

Текстовый консультант сильнее всего в связке, а не в одиночку. Камера даёт «похоже на X». Вы (или бот) добавляете условия. LLM раскладывает, что проверить руками. Потом, когда надоест копировать всё вручную, мост начнёт собирать суточную сводку сам. А когда сводок и алертов станет много — оркестратор разведёт роли «предложил / подтвердил / сделал».

Не перескакивайте сразу к агентам. Сначала научитесь получать от LLM полезный чек-лист на своих симптомах. Это дешёвый навык с большой отдачей.

Главное

LLM на ферме — ускоритель мышления и помощник по чек-листам, а не автопилот опрыскивателя. Облако быстрее стартует, локальный запуск бережёт приватность и офлайн. В обоих случаях: не шлите лишние персональные и охранные данные, не давайте модели права на исполнительные механизмы без человека, сверяйте химию с регламентом. Когда научитесь получать полезные ответы на симптомах — следующий шаг серии: редкие облачные запросы по домашней сводке датчиков, а не сырой поток каждую минуту.