收益：
- 了解人工智能在气候带、入侵状态、毒性和市场方面可能会出现错误，因为它是从全球平均水平中学习的
- 能够仅使用人工智能作为性状概况和候选列表生成器，根据当地气候、入侵列表、毒性和树苗可用性验证每个候选者
- 能够内化项目中不会包含未经验证的植物，并且专家和官方来源对于有毒/过敏物种至关重要。
园林绿化项目中最具生机或死亡的部分是植物。一棵选择不当的树会在第一个干燥的夏季枯死；入侵的常春藤在三年内淹没了整个花园；过敏性物种使校园无法使用。植物选择是确定适合该地方的气候、土壤、功能和维护能力的植物调色板。本地物种是指在某个地区自然生长并属于该生态系统的植物；入侵物种是指来自外部并不受控制地传播、抑制当地物种的植物。在本单元中，我们将讨论为什么AI只是工厂选择中的候选名单生产者以及为什么最终决定是通过本地验证做出的。这是整个模块中要求最高的主题。
为什么要问人工智能“哪种植物？”这么不靠谱？
人工智能从世界各地的文本中学习；因此他们的建议转向全球平均水平。然而，植物的适宜性是极其本地化的：同一物种生活在同一个山谷中，而 30 公里外的地方却结冰了。人工智能经常犯以下错误：
- 气候带混合：向寒冷地区推荐温暖气候植物。 （气候/耐寒区 - 植物可以承受的最低温度范围。）
- 不要假设入侵物种是无辜的：您可能不知道某个物种在特定国家/省被视为入侵物种。
- 缺乏对市场现实的了解：他推荐的品种可能在当地苗圃买不到。
- 拉丁名错误：有时会产生不存在或混淆的学名。
- 土壤/水不相容性：它可以为干旱地区推荐需要浓水的植物。
所以黄金法则：人工智能建议植物名称；你可以根据当地的气候带、入侵物种名录、土壤和苗木市场进行验证。未经核实的厂名不进入项目。
注意：有毒或致敏植物（特别是在儿童、患者和老年人使用的区域）具有高风险。对于人工智能来说，仅仅说植物“安全”是不够的；与当地/专业来源确认毒性和过敏性。
正确的工作流程：从候选列表到经过验证的调色板
第 1 步 — 澄清术语。写下气候、土壤、水、阳光/遮阳、功能（遮阳/窗帘/颜色）、维护能力和安全限制。
第 2 步 — 向 AI 询问候选功能配置文件。在物种名称之前省略所需的特征（“耐旱、低维护、原生、非过敏性、遮荫”）。
第 3 步 — 获取候选列表，但连接上下文。向AI询问适合该地区的候选物种；每个的理由。
第 4 步 — 本地验证（最关键的步骤）。确认每个候选物种：(a) 当地气候区，(b) 国家/省级入侵物种清单，(c) 本地树苗可用性，(d) 毒性/过敏性。资料来源：大学、植物园、省农业厅、当地苗圃、相关官方清单。
第 5 步 — 维护和季节性计划。为所选调色板的浇水、修剪和季节性外观制定计划。
三个迷你箱子
案例 1 — 入侵者被抓获。 YZ 为沿海项目推荐了一种观赏藤蔓，因为它生长得很快。建筑师从省局的消息来源中看到该物种在相关地区的入侵名单上并推断出来。它被当地的替代品所取代；三年后，花园稳定了。
案例 2 — 气候不匹配。一位设计师想将 YZ 提出的温暖气候棕榈树放置在大陆寒冷的城镇广场上。高级建筑师意识到最低温度低于物种的忍受极限。调色板从一开始就进行了修改；第一个冬天没有死亡，预算也得以保留。
案例 3——市场现实。 YZ建议的12个品种中，有4个是当地苗圃根本没有的；进口成本将超出预算20%。该团队对人工智能添加了一个限制，“仅适用于当地市场常见的菌株”，以刷新列表并将成本保持在目标范围内。
四个可复制模板
1）特征分析：
您的角色：景观植物顾问。条件：【大陆性气候，冬季-15C，粘土，阳光充足，低灌溉，校园-无过敏无毒，遮荫优先】。首先，给我适合该地区的植物特征概况（不是物种名称）：哪种耐寒性，哪种形式，哪种护理。然后建议符合这些特征的候选物种；每个的理由。
2）候选名单+验证提醒：
建议[地区/气候]的候选植物列表。对于每个物种：为什么合适、估计的需水量、可能的风险。将其添加到列表的末尾：提醒我，每个物种都必须经过我的当地气候区、入侵物种清单、幼苗可用性和毒性的验证。
3）验证查询集：
对于这个候选物种列表，生成我在当地验证每个物种时会提出的控制问题：气候带兼容性、入侵状态、毒性/过敏性、土壤-水兼容性、当地树苗可用性和成熟大小/根系传播。
4）维护及季节计划：
为以下经过验证的调色板[物种列表]创建护理和季节性管理计划：浇水频率、修剪时间、开花/颜色期和潜在问题。说明前两年（坚持）和后来的区别。
弱提示/强提示
弱提示：
为我的花园推荐美丽而耐寒的植物。
没有气候、没有土地、没有安全、没有市场；输出对于当地来说是陌生的、有风险的，并且可能无法找到。
强力提示：
您的角色：工厂顾问。条件：地中海半干旱气候，夏季非常炎热/干燥，冬季轻度霜冻，钙质壤土，灌溉预算低，公园 - 无过敏和有毒物种，优先遮荫和低维护。候选名单仅由该地区常见的物种组成；写下每个物种的水需求和风险。请注意，该决定将由我与侵入清单和当地苗圃人员核实。
气候、土地、安全、预算和“仅限当地市场”的约束使产出现实且安全；验证说明将责任放在了正确的位置。
工厂选择风险图
主题
人工智能错误的风险
验证来源
后果风险
气候适应
高
气候/耐寒区数据
大规模死亡
侵入状态
高
国家/省级侵入性名录
生态系统破坏
毒性/过敏
高
专家/官方来源
人类健康
树苗可用性
中等
当地的苗圃工
预算/延误
土水相容性
中等
土壤测试
发展不良
成熟尺寸
中等
植物来源
基础设施冲突
常见错误
- 将AI列表放入项目中而不进行验证。这是最昂贵和最常见的错误。
- 绕过入侵物种控制。快速增长的“实用”建议往往是侵入性的。
- 假设气候带。即使在同一个国家，地区差异也很大；检查最低温度。
- 忽视毒性/过敏原。这是一个很高的风险，特别是对于儿童和公共场所。
- 忘记市场。找不到的，即使再美丽，也无法实施；需要本地可用性。
综上所述
植物选择是该行业最具本地化和风险性的决定。由于人工智能是根据全球平均水平学习的，因此它对气候、入侵状态、毒性和市场的判断可能是错误的。因此，仅将人工智能用作特征配置文件和候选列表生成器；验证每个候选者的当地气候带、入侵名单、毒性和幼苗可用性。未经核实的植物不得进入项目；专家和官方来源对于安全关键（有毒/过敏）问题至关重要。
应用任务
定义站点的条件（气候、土壤、安全、预算）并使用“特征分析”模板生成候选列表。然后使用“验证查询集”模板对每个候选者进行验证问题，并从列表中删除至少两个物种（因为它们具有入侵性、与气候不相容、不可用或有毒）；写出原因。
清单
- [ ] 我使用人工智能只是为了候选名单，而不是为了最终决定。
- [ ] 我验证了气候/耐寒区的每个候选者。
- [ ] 我查了入侵物种名录。
- [ ] 我已确认毒性/过敏性（尤其是在公共场合）。
- [ ] 我检查了当地树苗的可用性和成熟尺寸。