集体智能
Raiznet 的核心目的之一，是将原始传感器数据转化为可操作的农业知识 —— 不仅为单个种植者，也为整个网络。
每个向公共网络发布的设备,都会为一个不断增长的共享数据集做出贡献：种了什么、在哪里、在何种条件下,以及结果如何。随着时间推移,这个数据集成为关于在每个区域、每种作物、每种气候模式下何者有效的集体记忆。
智能层（计划中）
智能层是构建于既有数据基础设施之上的未来阶段。它无需更改协议或存储模型 —— 数据已经在那里。
本地推理（保护隐私）
运行自己节点的种植者,可以将任何兼容 MCP 的 LLM —— 包括通过 Ollama 的本地模型 —— 直接指向其服务器的本地端点。模型可访问：
- 完整的遥测历史（包括私有字段，在本地解密）
- 活跃的 Safra：作物类型、种植日期、预期收成
- 带有已调整理想范围的 Crop
- 历史结果（
yield_kg、harvested_at）
LLM 仅凭本地数据即可回答的问题示例：
- “我的生菜与上个月相比如何？”
- “我的 pH 已连续上升 3 天 —— 我该调整什么？”
- “根据我最近 4 次收成，这个品种的平均产量是多少？”
- “考虑到当前环境温度，我应该调整 EC 目标吗？”
没有数据离开本地网络。推理完全离线。
区域智能（公共网络）
参与公共网络的节点可以查询同一 H3 区域和作物类型下所有设备的聚合数据。这实现了：
- 情境化基准：“你的 EC 为 2.4 —— 你所在区域生菜的中位数为 1.8。”
- 异常检测：标记明显偏离区域模式的读数，区分传感器漂移与真实的作物胁迫。
- 收成预测精化：从相似条件下众多 Safra 的估计
harvest_time_days与实际值之差中学习，自动改进未来的估计。
作物的集体校准
如果某区域的种植者持续在 Crop 理想范围之外运行,却仍获得良好的 yield_kg,那么该 Crop 的范围对该区域很可能是错误的。这一信号自然地流入 CropCatalog 模型：区域策展者（合作社、研究机构）发布带有源自观测结果的校准范围的更新目录。
网络产生知识。策展者发布它。种植者激活目录。没有中心权威做决定。
MCP 服务器
计划中的 @raiznet/mcp 包将把 Raiznet API 暴露为 MCP（Model Context Protocol）服务器,使任何兼容 MCP 的 LLM 客户端都能原生消费 Raiznet 数据：
| 工具 | 描述 |
|---|---|
get_devices | 列出此节点已知的设备 |
get_telemetry | 获取某设备的近期读数 |
get_safra | 获取活跃的种植批次与作物详情 |
get_regional_stats | 某 H3 单元与作物类型的聚合统计 |
get_crop | 某 Crop 的理想范围，按当前条件调整 |
MCP 服务器可在两种模式下运行：
- 本地模式（在本地端点上）：包括私有字段的完整访问，面向所有者个人的 LLM 助手。
- 公共模式（在公共端点上）：对公共数据的只读访问，面向任何网络参与者或研究者。
学术研究与知识发布
Raiznet 被设计为研究级数据基础设施。签名且防篡改的数据、精确的地理定位（H3）、结构化的作物结果（Safra）以及开放协议的结合,创造了一个具有重要科学性质的数据集：来源可证、可复现、无供应商锁定的可访问性。
计划中的未来工作包括：
- 研究合作：向大学、农业研究机构（如 Embrapa）和合作社提供匿名化、聚合的 Raiznet 数据集,用于同行评审期刊和技术报告的发表。
- 网络上的内容发布：
Material数据模型被设计用于直接通过网络分发教学与科学内容 —— 栽培指南、田间研究结果、区域最佳实践 —— 由研究者署名，可离线访问。 - 开放数据集发布：定期为更广泛的研究社区以开放许可发布公共网络数据快照,使关于区域气候适应、水培优化和小规模食物系统韧性等主题的工作成为可能。
目标是一个反馈循环：种植者产生数据,研究者分析数据,发现以改进的 Crop 和 Material 返回网络,种植者从中受益。没有中介攫取价值。
为何重要
农业知识历来被锁在专有平台、小种植者无法获取的学术论文,或个别农艺师的头脑中。Raiznet 的结构 —— 开放协议、本地优先、数据主权、H3 索引、结果可追踪 —— 创造了让该知识从网络自身浮现的条件,不属于任何人,向所有人开放。
运行节点不仅是为网络的韧性做贡献,也是为关于如何更好地种植食物的、不断增长的集体理解做贡献。