Plant Nutrient Deficiency Diagnosis | 植物缺素症视觉诊断
通过AI视觉分析植物叶片，精准诊断营养元素缺乏症。
安装使用
复制下面这段提示词发给你的 AI（Claude / Cursor / TRAE / Codex / WorkBuddy 等），它会自动帮你完成安装：
帮我安装这个 AI Skill：Plant Nutrient Deficiency Diagnosis | 植物缺素症视觉诊断。 它的用途是：通过AI视觉分析植物叶片，精准诊断营养元素缺乏症。 完整的 Skill 内容见：https://321skill.com/skills/plant-nutrient-deficiency-diagnosis-植物缺素症视觉诊断-x-3/raw/index.md 请读取该页面内容，如果是 SKILL.md 格式直接安装，如果是 README 提炼核心 prompt 后安装。
提示词包含完整的 Skill 内容链接，AI 读取后即可完成安装。你也可以 查看完整内容 确认无误。
使用示例
‘请分析这张番茄叶片的图片，看看它可能缺什么营养。’ 它会调用视觉模型分析叶片颜色和形态，并与缺素症数据库匹配，随后告诉你最可能缺乏的元素（例如‘缺镁，置信度85%’）以及相应的施肥建议。
介绍
该Skill旨在解决农业生产和家庭园艺中常见的植物营养诊断难题。传统方法依赖经验判断，容易误诊，导致盲目施肥，既浪费资源又可能损害植物健康。
使用时，用户只需通过智能花盆、手机或农业设备拍摄植物叶片的高清图像并上传，Skill便会利用计算机视觉技术自动分析叶片的颜色（如浅绿、黄绿、紫红）和形态变化（如叶缘焦枯、叶脉间失绿），并与内置的常见营养缺乏症特征数据库进行比对。
它非常适合家庭园艺爱好者、农业大棚种植者、植物工厂技术人员以及相关领域的学术研究者。这些用户通常缺乏专业的植物病理学知识，但需要快速、准确地判断植物健康状况，以实现精准管理。
建议在植物生长早期或出现轻微异常时使用，以获得最佳干预时机。拍摄时请确保光线充足、叶片图像清晰，并尽量包含完整叶片及典型病变部位。诊断结果（如缺氮、缺钾等）会附带置信度评分，可作为施肥决策的重要参考，但不应完全替代专业的土壤检测。
核心特点
与同类植物识别工具相比，它专注于营养缺乏症的细粒度视觉诊断，能区分氮、磷、钾、铁、镁、锌等多种具体元素，并输出置信度评分，而非仅识别病害或植物种类。
注意事项
不适合诊断由病虫害、环境胁迫（如干旱、水涝）或多种因素复合作用引起的非典型症状。
常见问题
诊断准确率高吗？
准确率依赖于图像质量和症状典型性，对于特征明显的常见缺素症有较高参考价值，但仍建议结合土壤检测综合判断。
支持哪些植物？
主要针对常见农作物和园艺植物，具体支持范围需参考其内置的特征库，不同植物模型精度可能不同。
给 AI 助手的安装指引
如果你的 AI 编程助手（Claude Code、Cursor、TRAE 等）能看到这个页面，把下面这段发给它即可自动完成安装：
请访问 https://321skill.com/skills/plant-nutrient-deficiency-diagnosis-植物缺素症视觉诊断-x-3/raw/index.md 读取 Plant Nutrient Deficiency Diagnosis | 植物缺素症视觉诊断 的原始 Skill 定义（Markdown 格式），按其中说明在我的环境里完成安装和配置。
AI 可直接读取的原始 Markdown 地址：/skills/plant-nutrient-deficiency-diagnosis-植物缺素症视觉诊断-x-3/raw/index.md（查看排版版本）