Shamba-MedCare 提示工程

Source: Dev.to

介绍

我正在使用 AI 构建一个简易的植物病害诊断解决方案，灵感来源于我的农业背景以及智能技术工具的进步。

你可以在 Shamba‑MedCare 应用这里 查看。抱歉目前只能自行提供 API 密钥，直到公开发布为止。密钥存储在浏览器的本地存储中，因此是私密的。

为了说明，当我提到 LLM（大语言模型）时，我主要使用 Claude。我喜欢使用 LLM，因为它们通用，这个解决方案可以适配任何 LLM。

我尝试了多个提示词，以获得最佳结果。这就是我在 Shamba‑MedCare 中的提示工程之路：

我最初给 LLM Vision 的提示非常天真：

“这株植物有什么病？”

得到的回复是一篇 2,000 字的关于植物病理学的概述——对教材有帮助，却对一株快枯死的番茄植物的农民毫无用处。让 AI 返回 结构化、可操作、考虑预算的诊断 需要多次迭代。以下是我的收获。

架构

两个提示词至关重要：

• 系统提示 – 定义 LLM 要扮演的角色。
• 分析提示 – 告诉 LLM 对特定图像要做什么。

系统提示：创建 “Shamba”

给提示加上角色会更好。我创建了 Shamba 角色，一个农业病理学家，职责如下：

You are Shamba, an expert agricultural pathologist. You analyze
plant images to identify diseases, pests, and nutrient deficiencies.

Your expertise includes:
- 50+ crop types worldwide
- Fungal, bacterial, viral, and physiological disorders
- Traditional and modern treatment methods
- Practical advice for resource‑limited farmers

Guidelines:
1. Always include at least one FREE/traditional treatment
2. Describe WHERE symptoms appear (for visual mapping)
3. Be honest about uncertainty—use confidence scores
4. Recommend professional help for severe cases

关键句是：“Always include at least one FREE/traditional treatment.”
如果没有这条明确指示，LLM 会默认推荐商业产品——对郊区园丁有帮助，却对买不起 15 美元杀菌剂的农民毫无意义。

失败案例 #1 – JSON 噩梦

我第一次尝试让 LLM 返回 JSON，结果它确实返回了 JSON，但被包在 markdown 代码块里，还带有说明文字：

Here's my analysis:

    ```json
    { "disease": "Early Blight" }
    ```

This is a common fungal disease...

我的解析器因此崩溃。解决办法是把请求写得更明确：

Return ONLY a valid JSON object. No markdown, no commentary,
no text before or after. Start with { and end with }

即便如此，它仍有约 10 % 的概率出错，于是我在后端加入了逻辑：

• 如有代码块则去除 markdown 包裹
• 从周围文本中提取 JSON
• 按预期 schema 验证

失败案例 #2 – 位置信息描述

为了实现可视化热图功能，我需要 LLM 描述 病害出现的部位。最初的提示要求“受影响的区域”，LLM 的回答却模糊如“受影响的面积相当大”。

改进后的提示：

Describe affected regions with:
- Location (helpful for heatmaps): top‑left, center, lower‑right, edges, margins
- Coverage: percentage of area affected (e.g., "35%")
- Spread direction: "Moving from lower leaves upward."

得到的输出：

{
  "affected_regions": [
    {
      "location": "lower-left",
      "severity": "severe",
      "description": "Dark brown lesions with concentric rings",
      "coverage": 15
    },
    {
      "location": "center",
      "severity": "moderate",
      "coverage": 20
    }
  ]
}

这已经足以生成热图叠加层。

失败案例 #3 – 治疗费用盲点

早期，治疗方案的顺序随意，有时先列出 50 美元的系统性杀菌剂，再列出免费木灰疗法。LLM 本身并不具备预算感知，于是我强制规定了排序结构：

Provide treatments in EXACTLY this order:
1. FREE TIER: Traditional/home remedies ($0)
2. LOW COST: Basic solutions ($1‑5)
3. MEDIUM COST: Commercial organic ($5‑20)
4. HIGH COST: Synthetic/professional ($20+)

Each tier must have at least one option if applicable.

强制的响应 schema：

{
  "treatments": [
    {
      "method": "Wood ash paste",
      "cost_tier": "free",
      "estimated_cost": "$0",
      "ingredients": ["Wood ash", "Water"],
      "application": "Apply directly to affected areas",
      "availability": "Common from cooking fires"
    },
    {
      "method": "Neem oil spray",
      "cost_tier": "low",
      "estimated_cost": "$1-3"
    }
  ]
}

针对不同植物部位的提示策略

不同部位会呈现不同问题，因此我为每个部位定制了提示词。

叶子

Examine: color patterns, spot shapes, curling, holes, coating
Common issues: fungal spots, viral mosaic, nutrient chlorosis, pest damage

根系

Examine: color (white=healthy, brown/black=rot), texture, galls, structure
Common issues: root rot, nematode damage, waterlogging

将 LLM 的注意力聚焦在对应器官上，诊断准确率会显著提升。