神农育种Studio × 南充农科院育种平台
穿透分析与开发方案调整建议 — 能买就不造，必须自建的剔出来
核心结论
神农育种Studio是中国农大神农大模型团队出品的桌面端AI育种分析智能体，核心价值在分析引擎层（GS/GBLUP、GWAS、BLUP、遗传力、亲本组配、候选材料筛选、表型图像识别、生信流水线），而非业务系统层（多用户登记、库存管理、工作流审批、Web驾驶舱、物联网接入）。
建议策略：以神农Studio为分析引擎内核，通过MCP协议/自定义技能接入你自建的平台；8个分析密集型模块直接复用神农，6个业务系统型模块必须自建，整体开发量可缩减约35%-40%，周期缩短约6-8个月。
一、神农育种Studio能力全景
1.1 产品定位
| 维度 | 说明 |
|---|
| 形态 | Windows/macOS桌面应用，Code模式（读本地文件+运行R/Python脚本）+ Chat模式 |
| 核心范式 | "一个育种项目=一个文件夹"，自然语言提交任务→AI自动写脚本→运行分析→生成图表/报告 |
| 模型 | 神农Fast（快速质控/概览）+ 神农Pro（深度分析/正式报告） |
| 分析工具链 | Python、R、bcftools、samtools、bedtools、vcftools、PLINK 2、Fiji/ImageJ、QGIS、JBrowse 2、Quarto |
| 公开数据 | 42项资源：450万份种质记录、2亿SNP、15万条多环境表型、10万幅田间图像；覆盖Crop Ontology、MaizeGDB、IRRI 3K Rice、Ensembl Plants、NCBI等 |
| 扩展能力 | skill-creator（自定义育种技能）、mcp-builder（MCP服务器对接内部数据库）、relay-configuration（远程服务配置） |
| 协同渠道 | 钉钉×14技能、飞书×3技能、微信Bot远程提交任务 |
1.2 51个技能的育种价值分层
二、14模块穿透分析总览
将你的14个主模块、约80个子模块，与神农能力逐项对照，分为三类：
- 拿来主义 神农已有成熟能力，直接购买/部署使用，不重复开发
- 混合复用 神农做分析引擎，你自建数据管理层/前端交互/工作流外壳
- 必须自建 神农不覆盖的业务系统、基础设施、多用户协作层
三、逐模块详细穿透对比
四、调整后的开发架构建议
4.1 总体架构：神农为核 + 自建为壳
关键集成方式：利用神农的 mcp-builder 技能，为你的种质库、田间试验系统、基因型数据库各搭建一个MCP服务器；神农Studio通过MCP协议直接读写你的业务数据，分析结果回写平台。同时用 skill-creator 为油菜/大豆/甘薯/花生创建定制育种技能，将通用分析流程固化为院级标准。
4.2 模块级开发策略矩阵
| 策略 | 模块 | 做法 | 预计节省 |
|---|
| 直接复用 |
模块8 GS育种值、模块3 AI决策（5/9子项）、模块10生信流水线（4/5）、模块9表型AI（2/5） |
部署神农Studio，分析任务通过API/MCP触发，结果回写平台 |
省6-8人月/模块 |
| 混合复用 |
模块1种质登记（基因型/多样性）、模块2田间平台（统计/系谱/OCR）、模块5数据质量（校验）、模块7 AI中台（特征/可解释）、模块12 MAS（选择/评估） |
自建数据录入+存储+前端，分析计算调用神农引擎 |
省3-5人月/模块 |
| 必须自建 |
模块4驾驶舱、模块6系统管理、模块11数据资产、模块13成果、模块14物联网、模块1/2/5/7中的业务管理子项 |
第三方开发，按标准Web平台建设 |
— |
五、分阶段实施路线图
第一阶段（1-2月）：神农部署与验证
采购/部署神农育种Studio，用本院1-2个真实数据集（如油菜多环境试验、甘薯表型）跑通GS、GWAS、遗传力全流程；验证MCP对接可行性；创建油菜/大豆/甘薯/花生4个定制技能的初版。
第二阶段（3-5月）：核心业务系统自建
第三方开发种质资源登记平台、田间育种工作平台（数据录入+移动端采集+试验设计）、系统管理与权限。这是平台骨架，必须先建好。同步搭建MCP服务器，让神农能读写种质库和试验数据。
第三阶段（6-8月）：AI决策层集成
将神农的GS育种值、AI亲本组配、优良品系筛选、GWAS分析通过MCP嵌入平台前端；建设可视化驾驶舱；完成AI审核反馈工作流。此时平台核心能力闭环。
第四阶段（9-12月）：高级能力与生态对接
表型AI分析引擎（无人机影像+病害识别）、生信分析流水线、物联网接入、国家/省级平台对接、数据资产开放。模型训练与MLOps按需建设。
六、关键风险与注意事项
风险1：神农是桌面端，不是SaaS/Web服务。 它运行在个人电脑上，分析任务需要本机有R/Python环境和数据文件。要嵌入Web平台，必须通过MCP协议或远程桌面/API方式调用，不能直接当后端微服务用。建议先做技术验证（POC），确认MCP对接的稳定性和并发能力。
风险2：多用户并发与数据隔离。 神农Studio是单用户桌面应用，不天然支持多用户同时分析。如果院内多人同时使用，需要考虑：①每人部署一份（数据通过共享存储/MCP访问）；②搭建服务器版神农（需与厂商确认是否有企业版/服务器版）。
风险3：作物覆盖度。 神农的证据库和示例数据偏重水稻、小麦、玉米。你的核心作物是油菜、大豆、甘薯、花生，需要用 skill-creator 自建这4种作物的专属技能（性状标准、试验设计模板、分析参数预设），并持续用本院数据优化。
风险4：agrifood-platform当前"连接异常"。 产品手册中农食平台（市场价格、种植面积预测）显示连接异常，如需要宏观经济决策支持，需确认该模块是否可用或有替代方案。
风险5：数据安全与等保合规。 神农读取本地项目文件，涉及生物遗传资源数据安全。必须在"项目范围+替我批准"权限模式下使用，敏感基因型数据不出内网，MCP传输需加密。