智慧农业生态 Agri-Eco

io.github.lm203688v1.1.0Updated Oct 8, 2026

面向分布式农业的 Agent-native 知识基座：Env Recipe 环境配方 + 气候校准 + 物候播期 + 病虫害诊断。零依赖可离线，14 个 MCP 工具。

VerifiedSTDIODesktop onlyData & AnalyticsKnowledge & Memory

Overview

AI-generated overview

An offline agricultural knowledge base MCP server that gives an assistant climate-zone matching, crop recommendations, planting calendars, pest diagnosis and…

What it does
Exposes 14 agricultural tools over stdio JSON-RPC, including zone matching, crop adaptation, planting plans, pest diagnosis, nutrient management, Env Recipe generation, phenology and sowing windows, soil profiles, multi-source climate reconciliation, geocoding to recipes, data lineage lookup, preset cities and an ecosystem integration list. It runs a multi-agent pipeline (climate, crop, growth, ecology, pest, nutrition, season, forecast, control) with evidence, confidence and constraints attached to each output. It is described as zero-dependency and usable offline.
When to use it
Useful when an assistant needs structured agricultural advice tied to a location and climate zone, such as choosing crops for a plot, building a sowing or growth schedule, or producing executable environment parameters for controlled growing. Also relevant for pest and nutrient questions where a rule-based diagnosis with stated confidence is acceptable.
Requirements
Runs as a local process on the user's machine via stdio; distributed as an .mcpb package. No authentication, environment variables or headers are declared in the manifest. The README mentions optional vision-backend variables (AGRI_VISION_URL, AGRI_VISION_KEY, AGRI_VISION_MODEL) that enable a multimodal diagnosis backend; without them the server falls back to rules. Desktop only.
Before you install
The README states that the feedback loop writes to disk and that demo or test runs can contaminate real data unless isolated via AGRI_CROP_DB and AGRI_FEEDBACK_LOG. Optional vision configuration requires an AGRI_VISION_KEY, which the README says to keep in a .env file outside the repository. Several layers (L4-L6) are explicitly paused with no implementation, and the README notes unverified execution logging and a pending evaluation baseline.

Installation

In SourceWeft

  1. Open 智慧农业生态 Agri-Eco in the dashboard and add it to a workspace.
  2. Enable the server for the chats that should use its tools.

Desktop only via STDIO. STDIO servers start a local process, so they need the SourceWeft desktop host.

Other MCP clients

Follow the launch instructions in the repository.

README

智慧农业生态 · 全球分区农业 AI 助手

以数据平台分析为基座，孵化多层级农业 AI 关键节点生态

🎯 项目目标口径（单一权威）：见 docs/CORE_OBJECTIVE.md —— 分布式农业的 Agent-native 知识基座。 一句话：把「在哪里种什么、怎么种得好」做成可被任何 AI Agent 直接调用的可执行配置（Env Recipe），以可审计的数据血缘作为可信度资产。 一级目标：让 MCP server 被外部 agent 真实调用（≥500 次 / ≥20 独立调用方）。 阶段门禁数字见 docs/north_star_and_phase_gates.md；全面扫描与提升报告见 docs/full_liftup_assessment_2026-10-08.md。

🚀 已上架官方 MCP Registry：io.github.lm203688/agri-eco v1.1.0（2026-10-08）

bash
curl -s "https://registry.modelcontextprotocol.io/v0.1/servers?search=io.github.lm203688/agri-eco"

CI：22 步 × Python 3.10/3.11/3.12 全绿 · 单测 533 OK · Demo 端点 14/14 · MCPB 构建确定性可复现。

项目定位

一句话：做分布式农业的 AI 操作系统与数据网络——回答「在哪里种什么、怎么种得好、怎么送到消费者」。

核心架构（对标 SwarmLabs 科研 Agent Infra 的工程路径）：

输入（地块信息 / 种植者需求 / 环境参数）  │  ▼┌──────────────────────────────────────────────────────────┐│  L0  数据底座层   全球分区气候/土壤/水文元数据               ││    └─ data/zone_meta/ (Köppen 气候带 + FAO 农业分区)      │├──────────────────────────────────────────────────────────┤│  L1  多 Agent 协同层（含 L2/L3 专项 Agent）               ││    ├─ ClimateAgent  气候/水文/土壤分区匹配                  ││    ├─ CropAgent     作物-分区适配推荐                       ││    ├─ GrowthAgent   生长周期管理 + 病虫害诊断               ││    ├─ EcoAgent      多层级生态撮合（供需/社区/设备）        ││    ├─ PestAgent / NutritionAgent / SeasonAgent 按需调用    ││    ├─ ForecastAgent(L2) 采收期 / 产量 / 风险预测           ││    └─ ControlAgent(L3)  生长计划→执行指令 + 执行补偿        │├──────────────────────────────────────────────────────────┤│  L2  Skill 注册表   可复用能力模块                         ││    └─ skills/registry/ (climate_match / crop_adapt / ...) │├──────────────────────────────────────────────────────────┤│  L3  可信输出层  evidence + confidence + constraints        ││    └─ docs/agent_output_contract.md                       │└──────────────────────────────────────────────────────────┘

覆盖边界（已闭环）：分区库现建模 8 个气候带（含 v1.1 新增的热漠 hot_arid 与高原 highland）。 迪拜（波斯湾热漠）→ hot_arid、拉萨（青藏高原）→ highland 现由 ClimateAgent 正确路由（rubric 0.95、给出真实作物推荐）， 不再静默归入「亚热带湿润」给出错误方案；v1.1 之前的「显式拒答」降级路径已随分区补齐而关闭。 两新分区的 Env Recipe 与 P3 校准作物已于 2026-10-06 回填，详见 outputs/zone_coverage_decision_2026-09-23.md（历史背景）。

两个诚实性约定（2026-09-23 起生效，均有测试锁死）：

  1. monthly_precip_mm 虽是月度序列，但每个元素是月内日均降水（mm/day），不是月累计量。 NASA POWER 与 Open-Meteo 两条路径口径一致，agent/climate_data.py 统一以 PRECIP_UNITS 声明并透传 monthly_precip_mm_units。生态位校准的降水通道依赖「同口径区间命中」，不得对该字段乘天数换算。
  2. 预设城市清单的唯一数据源是 data/preset_cities.json，前端与 MCP Server 均经 agent/preset_cities.py 读取；拉萨/迪拜随 v1.1 已建模（modeled: true），12 城全部有对应分区。

七层生态架构（来自项目战略指引）

⚠️ 口径已修订（2026-10-08）：七层是分析框架，不是交付清单。当前阶段只交付 L0-L3；L4/L5/L6 已正式暂缓（判定依据与重新打开条件见 docs/CORE_OBJECTIVE.md §三 N6/N7、§六）。 下表"本项目状态"列已按实测校正，此前"已落地/进行中"的表述存在与代码不符之处，此处一并修正。

层级名称关键节点本项目状态（实测校正）
L6运营生态社区/城市合伙人/数据市场⏸ 正式暂缓（无实现）
L5消费服务采摘即食/本地撮合/认证溯源⏸ 正式暂缓（仅溯源字段留位，无服务实现）
L4业务支撑链路数据/鲜度中枢/损耗预测⏸ 正式暂缓（仅 data/linkage_protocol.schema.json 一个 Schema，0 行实现；此前标注"已落地"有误）
L3执行控制水肥一体化/环境调控/执行补偿✅ 已落地（NutritionAgent 水肥 + ControlAgent L3：生长计划→硬件无关 actuator 指令 + 车载/开放环境/设备故障执行补偿）。缺口：execution_log 0 条，闭环未真实验证；needs_gateway 网关未实现
L2模型 AI生长模型/病虫害/决策引擎/世界模型🟡 部分落地（ForecastAgent L2：采收期/产量/风险预测，诚实标注 model=heuristic + WOFOST 物候 + 病虫害规则诊断）。缺口：世界模型未做；eval_pest_diagnosis_topk / eval_recipe_expert_adoption 两项核心 eval pending
L1感知层传感器/摄像头/边缘AI🟡 最弱环节（agent/vision.py 63 行可插拔后端，未配置即规则降级）。注意：PlantVillage 无 license（原仓库无 LICENSE 文件），不可商用；合规替代为 PlantDoc (CC BY 4.0)。传感接入协议 0 行代码
L0数据底座气候/土壤/水文/光照★ 当前重点（8 分区已闭环 / 116 配方 / 113 双源校准 / 8 源血缘）。缺口：微气候选址未做；CMIP7 未接入；第三源未融合

核心模块

模块路径用途
多 Agent 协同框架agent/气候/作物/生长/生态四 Agent + 病虫害(PestAgent) + 养分(NutritionAgent) 按需调用
统一编排器agent/orchestrator.py四 Agent 流水线（run_pipeline）+ call_skill 按需技能路由 + 技能目录（list_skills）
农业分区数据data/zone_meta/全球农业分区元数据
Skill 注册表skills/registry/可复用农业 AI 能力
可信输出契约docs/agent_output_contract.md每条建议的证据/置信度/适用条件
项目评估docs/project_evaluation.md评审维度逐项自评
战略指引docs/planning/项目战略指引.md七层架构与商业设计
执行方案docs/planning/项目执行方案.md分阶段路线图
规划/战略/GOAI 合集docs/planning/10 份早期规划、战略与 GOAI 竞品分析（已归档归类，便于溯源）
开源生态对接docs/OPEN_SOURCE_INTEGRATION.md七层架构生态位补全映射（扫描→对接）+ 用户分步操作指引（启用 cropgraph MCP / 配置视觉后端 / 提供 PAT 推送）
反馈闭环引擎engine/flywheel.py种植结果回流 → 适配评分校准（主动学习）
交互式 Demoapp/零依赖 http.server 站点：坐标 → 四 Agent 方案 + AgriTrust 证书
数据扩展脚本scripts/enrich_crop_data.py每气候带补充适生作物至 ≥18 种
端到端验证scripts/verify_all.py多城市 pipeline + Trust 证书 PASS/FAIL
Skill 自动生成engine/skill_factory.py新作物/能力点 → 自动生成符合 Schema 的 Skill
单元测试scripts/test_agents.py66 项 unittest（零依赖），覆盖四 Agent + PestAgent + NutritionAgent + SeasonAgent + SoilProfile + ForecastAgent(L2) + ControlAgent(L3) + Orchestrator 统一路由 + 视觉后端降级 + Trust + flywheel + 作物库数据完整性守卫
MCP server（Agent-native 分发）mcp/零依赖 JSON-RPC over stdio，暴露 14 个 agri 工具（分区匹配/作物推荐/种植计划/病虫害诊断/养分管理/Env Recipe 配方/物候播期/土壤剖面/BP 投资初筛/多源气候调和/地理编码→配方/数据血缘查询/预设城市/生态对接清单）；协议版本 2026-07-28（无状态），兼容 2025-06-18 / 2024-11-05；已适配 SEP-2575（免握手）/ SEP-2567（无 session）/ SEP-2243（Mcp-Method）/ SEP-2549（ttlMs 缓存）/ SEP-414（W3C traceparent）；注册与投递见 mcp/README.md
A2A Agent Card.well-known/agent.jsonA2A v1.0 标准发现入口：声明 14 个 skill（与 MCP 工具一一对应）、securitySchemes={}、输入输出模式与许可红线（NC 来源不得转售）；校验 scripts/check_agent_card.py
Agent Plugins 打包plugin/Agent Plugins 1.0.0 标准：plugin.json + mcp.json + skills/<id>/SKILL.md × 11（含 Anthropic Agent Skills YAML frontmatter）；由注册表生成，禁止手改，scripts/build_agent_plugin.py 为唯一入口，CI 用 --check 防漂移
Env Recipe 协议schemas/env_recipe.schema.json + docs/env_recipe_protocol_v1.md配置协议 v1：作物×阶段×箱体 → 可执行环境参数；day-1 留位 execution_log/outcome/image_consent 独占数据字段；校验 scripts/validate_env_recipe.py
AI 评测基线engine/eval.py + scripts/run_eval.pyP0-H：分区分类一致率（真实基线）+ 4 个脚手架项（绝不谎报）；评测集 data/eval/zone_checks.json
预览残留清理scripts/clean_preview_artifacts.py清除预览工具注入 HTML 的 data-page-node-id 属性（曾一次性注入 115 处）
演示数据重置scripts/clean_demo_data.py清空 demo/单测污染的 feedback_log + 剥离作物库假校准标记
Demo 端点冒烟scripts/check_demo_endpoints.py零依赖端到端自检：自动选空闲端口拉起 app/demo_server.py，打 14 个端点（8 GET + 6 POST），校验状态码 / 体积下限 / 响应契约键，部署前先在本机消除哑端点风险；已入 CI
同步状态检查scripts/sync_check.py本地工作区 vs GitHub main 逐文件 blob sha 比对（本仓非 git clone，无法用 git status）
反馈回流 CLIscripts/submit_feedback.py内测用户提交种植结果 → 校准 adapt_score
物候/播期层agent/phenology.py + agent/plant_calendar.py + agent/season_agent.pyWOFOST 积温物候（7 作物，EUPL 1.2 署名）+ 霜冻锚定播期窗口；技能 season_advisory
L3 执行控制 Agentagent/control_agent.py生长计划 → 硬件无关 actuator intents（灌溉/施肥/补光/气候/CO₂/风机）+ needs_gateway 网关标记 + 车载颠簸/开放环境/设备故障执行补偿；技能 control_commands
L2 预测 Agentagent/forecast_agent.py采收期（GDD-lite 积温）/ 产量（基准×气候×适配×光照）/ 风险（霜冻/高温/计划）预测，诚实标注 model=heuristic、未知作物安全回退；技能 harvest_forecast
L4 链路数据协议data/linkage_protocol.schema.json开源标准链路数据（batch→product→7 环节三元组 + 鲜度/损耗/货架期模型），支撑 L5 认证溯源
土壤剖面（降级源）agent/soil_profile.py在线 SoilGrids 优先 → 离线分区均值降级；resolution=zone / confidence=low，不虚构指标
文档死链扫描scripts/check_doc_links.py全量 md 外链四态判定（ALIVE / DEAD_CONFIRMED / UNREACHABLE / UNPROBEABLE）
回流通路自检scripts/check_feedback_loop.py用 AGRI_FEEDBACK_LOG 隔离，13 项验证 record → calibrate → report 全链路，零污染真实数据
巡检报告 diffscripts/diff_daily_loop.py报告跨日 diff（--selftest 守护解析器）
生产部署deploy/一键部署（deploy_local.sh 上传 + setup_ecs.sh 远端构建启动）+ nginx 反代 + DEPLOY.md
CI.github/workflows/ci.ymlpush 自动跑单测/verify/trust/flywheel/数据自检，Python 3.10-3.12 矩阵

工程路径（对标 SwarmLabs）

SwarmLabs 做法农业项目映射
traceability.py（可追溯层）每条种植建议的溯源链（数据来源+分区依据+作物研究）
trust_layer.py（可复现证书）农业建议的可信度评分（rubric + 数据覆盖度）
skills/registry/（机读注册表）农业 Skill 的 JSON Schema 注册表
docs/agent_output_contract.md农业可信输出契约
engine/flywheel.py（飞轮主循环）✅ 已落地：record_feedback() 校准 adapt_score，闭环生效

快速验证

工程化入口见 docs/DEVELOPMENT.md；常用命令可用 make（如 make gate = 单测+端到端+数据质量三件套）。

bash
# 查看农业分区数据python -c "import json; d=json.load(open('data/zone_meta/global_zones.json')); print(len(d))"
# 查看 Skill 注册表for f in skills/registry/*.json; do python -c "import json; s=json.load(open('$f')); print(s['id'])"; done

v2.1 提升项落地（Agent-native 分发 + 配置协议 + 评测）

依据 docs/planning/项目方案评审-商业模式与AI专业分析.md：商业主线重排为「免费资产 → 免费入口换数据 → 产业端收钱」； 模块⑤生成箱降级为「配方大脑授权硬件厂/存量设备」；Env Recipe 协议与 MCP 分发为近期最高优先。

提升项交付物验证
P0-G Env Recipe v1 协议schemas/env_recipe.schema.json（schema v1.1.0）+ docs/env_recipe_protocol_v1.md + data/examples/sample_env_recipe.jsonpython scripts/validate_env_recipe.py data/env_recipes
P0-E/F 零依赖 MCP servermcp/server.py（14 工具）+ mcp/README.md（含外部投递模板，对标 aishield 上架 Glama/npm）python scripts/test_mcp_server.py
P0-H 评测基线engine/eval.py + scripts/run_eval.py + data/eval/zone_checks.jsonpython scripts/run_eval.py

决策门（评审 §3.5）：P0-F/G 若 3 个月内零外部调用 / 零社区响应 → 降级为个人知识库项目，停止对外投入。

v2.2 提升项落地（分发协议适配，2026-10-08）

依据 docs/full_liftup_assessment_2026-10-08.md §8 P0 路线图；判定铁律——凡是能产生第一次真实外部调用的动作，优先级高于一切新增功能。 权威目标口径见 docs/CORE_OBJECTIVE.md（本项目唯一战略来源）。

提升项交付物验证
P0-1 MCP 2026-07-28 无状态适配mcp/server.py：免 initialize 握手（SEP-2575）、显式 stateless（SEP-2567）、Mcp-Method/Mcp-Name 头校验（SEP-2243，HTTP 形态生效）、ttlMs/cacheScope 缓存提示（SEP-2549）、W3C traceparent 透传与回写（SEP-414）python scripts/test_mcp_server.py
P0-2 A2A Agent Card.well-known/agent.json（A2A v1.0）：14 skill 声明 + 输入输出模式 + 许可红线python scripts/check_agent_card.py
P0-3 Agent Plugins 打包plugin/plugin.json + plugin/mcp.json + plugin/skills/*/SKILL.md × 11python scripts/build_agent_plugin.py --check
P0-7 消除硬编码密钥agent/finance_agent.py / market_agent.py 的 secret_key 占位随模块一并移出主链路grep -rn "secret_key" --include=*.py . = 0 命中

P0 出口指标：出现第 1 次非本人外部调用。

数据卫生（重要）

engine/flywheel.py 的 record_feedback() 真的会写盘——这是为了让反馈闭环真实生效。 代价是：demo 与单测如果不隔离，就会把合成样本混进真实数据。本项目已踩过的两类事故及防护：

事故现象防护
单测污染反馈日志data/feedback_log.json 累积 12 条 unittest/smoke 样本，制造「已有真实数据回流」的假象单测把 AGRI_FEEDBACK_LOG 重定向到临时文件
作物库假校准标记34 个作物只有 calibrated: true 却零校准证据，被可信层当成实测数据透出scripts/clean_demo_data.py 清洗 + CI/单测双门禁

规则：

  1. data/feedback_log.json 只允许真实用户反馈。demo 记录带 [demo] 前缀，门禁会拦截未标注的合成数据。
  2. python -m engine.flywheel 跑过之后，提交前必须执行：
    bash
    python scripts/clean_demo_data.py --dry-run   # 先看会清多少python scripts/clean_demo_data.py             # 实际清理
  3. 隔离运行（不碰仓库数据）：
    bash
    AGRI_CROP_DB=<绝对路径>/crop.json AGRI_FEEDBACK_LOG=<绝对路径>/fb.json python -m engine.flywheel
    ⚠️ Windows 注意：Git Bash 的 /tmp 映射到 %LOCALAPPDATA%\Temp，Python 按 C:\tmp 解析， 必须用 Windows 风格绝对路径，否则 AGRI_CROP_DB 找不到文件会直接报错（故意 fail fast，避免静默输出全 None）。
  4. CI 中的 flywheel 步骤已改为写入 $RUNNER_TEMP 隔离目录，并加了数据完整性门禁。

快速启动

1. 交互式 Demo 站点（零依赖，仅标准库）

bash
python app/demo_server.py# 浏览器打开 http://127.0.0.1:8000# 选择城市 / 场景 / 预算 → 四 Agent 协同方案 + 可点击 AgriTrust 证书

2. 端到端验证

bash
python scripts/verify_all.py          # 五城市 pipeline + Trust 证书，输出 PASS/FAILpython -m engine.flywheel              # 跑一次反馈闭环示例，校准「生菜」adapt_scorepython scripts/enrich_crop_data.py     # 扩展作物数据密度至每带 ≥18 种

3. Docker 部署

bash
docker compose up --build                                  # 本地 verify 模式（跑端到端验证即退出）docker compose -f deploy/docker-compose.prod.yml up -d --build   # 生产 serving 模式（宿主机 :8001 → 容器 :8000）

3b. 公网部署（一条命令）

bash
cp deploy/deploy_config.example.sh deploy/deploy_config.sh   # 一次性：按需改 IP/端口bash deploy/deploy_local.sh                                   # 同步代码 + 远端构建 + 启动 + 验证# 站点：http://<ECS_IP>:8001   详细流程见 deploy/DEPLOY.md

3b-2. 视觉诊断后端（可选，接 ATEX 多模态网关）

PestAgent 的视觉诊断走可插拔后端：配置以下环境变量（读 agent/vision.py）即启用，未配置则规则降级。 密钥放仓库外的 .env（已被 .gitignore 忽略，部署时由 deploy_local.sh 同步到 ECS，不进 GitHub）：

bash
# .env（项目根目录，不要提交）AGRI_VISION_URL=http://host.docker.internal:8420/v1   # ATEX 网关，容器内用 host 网桥访问AGRI_VISION_KEY=<你的 ATEX 网关 Key>AGRI_VISION_MODEL=gpt-4o                              # 须为多模态模型

deploy/docker-compose.prod.yml 已默认读取这三个变量；若 ATEX 仅监听 127.0.0.1，可把 AGRI_VISION_URL 改为宿主内网 IP。

3c. CI（push 自动验证）

.github/workflows/ci.yml

push 到 main 后自动跑：单测 → verify_all → trust_layer → flywheel（隔离到 $RUNNER_TEMP）→ 数据完整性门禁（禁假校准标记、禁合成反馈样本）→ Skill 注册表合法性 → 数据自检（每带 ≥18 种作物），Python 3.10/3.11/3.12 矩阵。 状态：GitHub Actions 已验证可用（fine-grained PAT 含 Workflows:write，push 后 CI 自动跑通，最近一次 run 结论 success）。

3d. 本地 → GitHub 同步（无 git push 环境）

本机 github.com:443 不可达，且本地目录不是 git clone，不能用 git push / git status。 统一走这两个脚本：

bash
# 1) 查看待推差异（只读，公开仓库可匿名）python scripts/sync_check.py
# 2) 推送（单 commit，推送后自动回读校验）python scripts/gh_push.py <token临时文件> "<提交信息>" file1 file2 ...
  • 需要 fine-grained PAT（Contents: read/write），建议含 Workflows:write 以便改 CI
  • token 放临时文件、用完即删，不要留在命令行历史里
  • 推送后 CI 会自动跑；确认 success 再关掉本地改动

4. 单元测试（零依赖）

bash
python -m unittest scripts.test_agents -v     # 66 项用例全过

4b. MCP / 协议 / 评测（v2.1 提升项）

bash
python scripts/test_mcp_server.py                  # MCP server 自测：initialize/tools/list/tools/callpython scripts/validate_env_recipe.py data/examples/sample_env_recipe.json  # Env Recipe v1 Schema 校验python scripts/run_eval.py                          # AI 评测基线（分区一致率真实数字 + 脚手架项）

注册到 Claude Desktop（stdio）：见 mcp/README.md。Env Recipe 协议说明与 AeroGarden 孤儿设备接入路径：见 docs/env_recipe_protocol_v1.md。

5. Skill 自动生成（闭环触发）

bash
python -m engine.skill_factory            # 演示：新作物冰菜 → 自动 Skillpython -m engine.skill_factory --list     # 列出当前所有 Skill

6. 提交种植反馈（内测回流 → flywheel 校准）

bash
python scripts/submit_feedback.py --zone subtropical_wet --crop 生菜 \  --survival 0.92 --yield 4.5 --rating 5 --issues "梅雨季霜霉病" --note "杭州阳台春播"# 或直接调用 Demo 站点 POST /api/feedback

自动化定时闭环（每日单口巡检）

本仓的每日治理巡检由专属 Automation 承担：「智慧农业生态 每日治理校验」（id c8668b59-2488-4e21-9962-ab3fa7d69d26，每日 05:00，ACTIVE）。

注：列表里另有一个同名风格、名为「AOCI 每日治理校验」（1db296e6）的自动化，实际是 aoci-code 工具对 swarmlabs / 算力共享平台 两个其他仓库的校验（每日 03:00），并非本仓任务——其命名易混淆但职责不属本项目，此处仅说明、不做改动。

闭环频率产出文件作用
智慧农业生态 每日治理校验每日 05:00outputs/daily_loop_<YYYY-MM-DD>.mdverify_all + data_quality_gate + 全量单测三件套，非零退出即暴露漂移，只读巡检

执行内容（全部只读，禁改代码 / 禁 git / 禁推送）：

  1. 回归十三项（513 项单测 + MCP 自测）：test_engine_v4.py（137 项）、test_engine_v3.py（43 项）、test_engine_v2.py（59 项）、test_agents.py（66 项）、test_engine_v5.py（94 项，BP 初筛引擎）、test_climate_data.py（19 项）、test_climate_reconcile.py（14 项）、test_data_lineage.py（25 项）、test_geo_recipe.py（7 项）、test_audit_analyzer.py（16 项）、test_jev_gate.py（15 项）、test_jev_decision.py（10 项）、test_jev_attribution.py（8 项）、test_mcp_server.py（14 工具）、verify_all.py（5 城 PLACEHOLDER=0）、diff_daily_loop.py --selftest
  2. 数据源存活探测：GAEZ / WorldClim / SoilGrids(rest.isric.org) / PlantVillage / EPPO / GitHub 等 7 个外部源 —— 防止引用死数据源（Ecocrop / OpenFarm / @pondlog 三次教训）
  3. 回流通路健康检查：跑 check_feedback_loop.py，区分「通路故障（≠0 报警）」与「数据量缺口（=0 条、不报警）」（JSON 字段 snapshot.feedback_path = ok/broken）
  4. 状态快照 + 跨日 diff：feedback 条数 / recipes 数 / wofost 作物数；与昨日报告对比，零漂移即静默，漂移即暴露

已知长期缺口：data/feedback_log.json 持续 0 条 = 通路可用但无真实用户回流数据（属产品/增长问题，非代码缺陷——不得以合成数据充数）。

开源协议

待确定。核心数据标准与协议倾向开源（抢生态话语权），应用层与决策引擎闭源（保利润）。

Source: README.md at commit afdcaa4

Tools

0
Tool metadata has not been indexed yet.

Version history

1
  1. v1.1.0LatestOct 8, 2026