只凭“叶子发黄”就判断缺水，再建议固定每周浇一次，可能让盆土更湿、根系更差。绿植问答的第一步应是分清观察到什么、有哪些可能、还缺什么信息。本文用本机 Qwen 演示：从可核对的植物特征给出候选；遇到模糊症状先追问，不把猜测说成确诊，也不让模型开药。
给模型一张有来源的事实卡
练习包里的 input/facts.json 只放了三份大学推广教育资料中的可核验内容。比如 Wisconsin-Madison Extension 列出的吊兰识别线索包括窄带状叶和匍匐茎末端的小植株；室内养护可参考中等至明亮光照，浇透后让土壤略干再浇。查看吊兰资料。
同一资料还指出，叶尖褐焦可能和低湿度、土壤过干、盐分或用水中的某些化学物质有关，不等于“缺水”。Iowa State Extension 说明，室内植物问题可能同时涉及光照、土壤、水分、温度、湿度和施肥；黄叶、落叶或萎蔫都不是单一病因的证据。查看室内植物问题排查。Virginia Cooperative Extension 也指出，水分过多和过少都可能导致萎蔫，浇水要结合植物与盆土状态调整。查看盆栽室内植物浇水指南。
这些资料来自美国气候区，只适合作为一般室内观叶植物参考。实际养护还要看当地季节、品种、盆器、介质和室内环境；不要把指南里的光照或时间表机械照搬到家里。
让 Qwen 回答三种不同问题
练习包包含三条虚构文本请求：一条有吊兰特征但仍需照片确认；一条只说叶尖发褐；一条把黄叶、萎蔫直接说成“要用什么药”。提示词要求模型给出置信度、依据、追问、低风险第一步和回答边界。
解压后在练习目录运行：
ollama pull qwen3.8:27b
python scripts/answer_cases.py
python scripts/check_answers.py如果本机模型标签不同，可先运行 ollama list，再设置 OLLAMA_MODEL=你的模型标签。问答脚本只调用本机 Ollama，不上传照片，也不调用花店、园艺店或外部诊断服务。人工再拿 output/qwen-answers.json 对照 input/facts.json 和 input/cases.json；自检脚本只查 JSON 字段和追问路径，不能证明答案正确。
植物识别案例没有提供照片。即使文字描述很像吊兰，也先说“候选”，并请用户补整株、叶片基部和小植株的清晰照片。若没有关键特征，就只列出需要补拍的信息，不要直接猜一个品种。
养护问答先排除歧义
黄叶、褐尖、萎蔫都可能有多种原因。先追问：盆土现在是干、微湿还是长期潮湿？花盆底部有没有排水孔？最近浇水、换盆、施肥、挪位置分别是什么时候？光照和温度有没有变化？只确认到症状时，回答里应保留可能性，不要把一次模型输出当作病虫害诊断。
若需要先做一步，可从检查盆土水分、托盘是否积水和排水孔是否堵塞开始；根据观察再调整浇水或咨询当地园艺/植保专业人员。不要在植物品种和病因未核实前混用药剂，也不要凭模型判断未知植物能否食用或对宠物是否安全。
本机使用 Ollama 0.35.1 和 Qwen3.8-27B Q4_K_M 逐条实测三条虚构请求，合计约 52 秒。模型把吊兰描述为候选并索要照片；对褐尖列出多种可能；对黄叶萎蔫拒绝确诊和开药，转而追问盆土与排水情况。结构自检通过，人工再按事实卡核对了来源和安全边界。一次模型生成只说明这组三个样例实际跑过，不是植物识别准确率、病害诊断能力或跨地区养护效果评估。
哪些情况不该交给通用问答
高价值作物、大片种植、检疫或疑似传染性病害，应提供规范样品和现场信息，联系当地农业技术推广或植保机构。家庭盆栽可用模型整理观察问题，但最终照护仍要结合实际植物、环境和土壤情况。
下载 Qwen 园艺问答练习包。资料来自大学推广教育机构，不替代当地园艺专业人员意见；本文不提供农药、检疫、食用或宠物安全建议。