神农育种Studio本地部署｜采购谈判话术+报价策略

神农育种Studio本地部署｜采购谈判话术+报价策略

一、报价拆解策略（谈判底线，先拆包再谈价）

1、强制要求报价拆分为 4 个独立分项，拒绝 “全家桶打包报价”

2、授权模式优先选择顺序（谈判锚点）

首选：私有化永久软件许可 + 按年缴纳维保升级费：软件使用权永久，每年只交维保升级；适合科研单位，项目结题后仍然可以使用，不被订阅锁死。

备选：3 年期订阅打包许可：拿周期折扣，合同写清楚到期后可以选择转为永久许可的折算价格。

❌坚决拒绝：纯 SaaS 云端订阅，我方育种种质、基因型表型敏感数据全部不出本地机房。

3、让步策略（我方交换筹码，不单纯降价）

我方筹码：①对外公开项目合作案例（论文、种业会议宣传）；②院内多作物后续二期三期扩容；③提供真实育种数据集用于产品迭代优化（脱敏后）。

换取权益：减免部分实施人天、赠送若干定制技能人天、延长免费维保期、MCP 接口技术文档完整交付。

让步节奏：第一轮目标压总预算 15‑20%；第二轮 5‑8%；第三轮最多 2‑3%，释放明确底线，不无限让步。

4、必须前置 POC 验证（签合同前落地，避免踩坑）

二、分场景谈判话术（可直接复制用于会议、微信、邮件）

场景 1：初次对接，要求拆分报价，明确边界（开场锚定）

场景 2：供应商报价偏高，我方抛出预算约束，用合作权益置换优惠

场景 3：谈判 MCP 接口、集成能力（核心关键点，关系到我方第三方开发）

场景 4：关于部署实施，我方 IT 分担工作量，压缩实施成本

场景 5：维保、版本升级、SLA 服务等级谈判（防止后期扯皮）

场景 6：POC 验证谈判（防止口头承诺，无实际验证）

场景 7：供应商希望捆绑大量定制开发，抬高总价（我方要 “拿来主义”，自建业务系统）

三、合同必须锁定的关键条款（谈判落地，防止口头承诺）

数据主权：我方所有种质、基因型、表型原始数据保留在我方本地服务器，私有化部署，原始数据不得上传外部服务器；我方拥有全部业务数据所有权，支持全量导出。

授权边界：写明私有化部署许可类型（永久 / 订阅）、并发任务上限、许可使用范围（院内多课题组使用），禁止隐性限制服务器节点数量。

MCP 与二次扩展：skill‑creator、mcp‑builder 元技能完整开放，允许我方第三方开发团队自定义技能、搭建 MCP 服务对接我方业务数据库，不额外收取授权费用；交付完整接口文档、样例代码。

SLA 维保区分：明确 Bug 免费修复；新增业务需求属于定制开发，另行签订补充协议；写明故障响应时间、续费涨幅上限、厂商停止维护时我方软件仍可继续运行。

验收标准：分阶段验收：部署验收、POC 案例数据跑通验收；不能仅以软件安装完成作为验收条件，必须完成我方测试数据集完整分析流程验证。

付款节点（科研项目友好）：建议：合同签订 30%；部署完成 POC 测试通过 40%；终验完成 20%；质保期满 10%，降低我方风险。

四、谈判红线（绝对不能让步）

❌拒绝原始育种数据必须上传云端才能运行；必须完全本地私有化运行。

❌拒绝模糊打包报价，不拆分许可、实施、维保、定制，不签。

❌拒绝把种质业务管理、田间流程管理等业务系统功能打包进神农采购；神农只做 AI 计算引擎。

❌拒绝 skill‑creator、MCP 扩展能力额外收费；这是我方第三方开发对接的基础。

❌拒绝维保没有上限，不约定续费涨价比例。

五、谈判风险预案

如果原厂坚持按总用户账号数高价收费：我方退一步，按并发分析任务数量，而不是全院所有科研人员账号；普通人员使用我方自建业务系统，只给 AI 分析操作人员分配神农 Studio 许可。

如果原厂不接受免费 POC：接受小额 POC 费用，但是合同写明 POC 全部抵扣正式合同款，POC 不达标商务终止。

如果原厂永久许可报价过高：优先选择 3 年期订阅，同时在合同写明到期后转永久许可的折算价格，锁定未来选择权。

如果你需要，我可以进一步输出：①POC 测试用例完整清单；②合同关键条款的可直接复制的合同文本片段。

|（注：部分内容可能由 AI 生成）

附录1：采购策略与成本预算

神农育种平台采购策略与三年成本预算方案

编制单位：南充市农业科学院信息化项目组 编制日期：2026年9月8日 项目名称：神农育种Studio + 自建业务平台 文档版本：V1.0（预算测算稿） 保密级别：内部

目录

• 一、神农育种Studio授权模式分析
• 二、三种采购方案对比
• 三、第三方开发费用测算
• 四、硬件与算力成本
• 五、运维与持续成本
• 六、三年分年度预算表
• 七、采购谈判策略
• 附录：核心假设与计算依据汇总

一、神农育种Studio授权模式分析

1.1 当前授权状态判断

核心判断：当前处于"免费推广窗口期"，这是采购谈判的最佳时机。神农团队刚发布产品，急需标杆用户和示范案例，地市级十强农科院的背书价值极高。

1.2 可能的企业授权模式推测

基于国内科研软件市场惯例及神农团队背景（中国农大信电学院），推测以下四种可能的授权模式：

对本院的影响测算（按50-80名科研人员、实际活跃使用约40-50席位估算）：

• 按席位订阅：40席 × 0.5万/年 = 20万/年（中位推测）
• 按服务器部署：2台 × 10万/年 = 20万/年
• 全院买断：50万一次性 + 5万/年维保

需商务确认：以上价格均为基于市场惯例的推测，实际定价需与神农团队直接沟通。建议在谈判中争取"前2年免费/优惠 + 第3年起按席位订阅"的阶梯模式。

1.3 与中国农大的合作渠道

推荐路径：示范基地 → 科技合作协议 → 联合实验室三步走。

• 第一步（第1年）：争取"神农大模型育种示范基地"挂牌，以油菜/大豆为首批验证作物，换取桌面版全席位免费授权 + 1台一体机优惠采购。
• 第二步（第2年）：签署院校科技合作协议，将甘薯/花生纳入定制技能开发范围，争取企业授权5折。
• 第三步（第3年）：条件成熟时共建联合实验室，联合申报国家重点研发计划，实现软件授权费用的课题化消化。

参考案例：神农团队已有"云南镇康咖啡庄园"示范基地合作模式，证明该团队愿意以示范基地形式换取场景验证和行业推广。本院作为全国十强地市级农科院，且拥有1岗8站国家产业技术体系，场景价值高于一般示范基地。

1.4 数据合规要求

合规结论：数据合规硬约束决定了方案B（一体机私有化部署）或方案C（混合模式）是必选项，纯桌面版（方案A）虽可运行但数据共享存在合规风险，且无法满足50-80人并发协作需求。

二、三种采购方案对比

2.1 方案定义

• 方案A：桌面版多席位授权 — 每人PC部署一份Studio，通过共享存储/NAS交换数据，MCP协议实现工具调用
• 方案B：神农一体机私有化部署 — 采购神农-拓疆一体机（7B模型），院内机房集中部署，用户通过浏览器/客户端访问
• 方案C：混合模式 — 核心分析人员（约10-15人）部署桌面版做重度分析 + 院内部署一体机做服务端推理和数据中枢 + 关键岗位冗余授权

2.2 详细对比表

2.3 方案推荐

推荐方案C（混合模式），理由如下：

1. 满足合规硬约束：核心基因型数据集中在一体机内网存储，符合数据不出内网要求
2. 兼顾使用效率：10-15名核心育种分析人员使用桌面版进行GS/GBLUP、GWAS等重度计算（利用本地RTX 4070 Ti Super算力），其余30-60名科研人员通过浏览器访问一体机进行表型识别、数据查询等轻量操作
3. 成本可控：免费窗口期桌面版授权0成本，主要投入在一体机，比全量席位订阅更经济
4. 容灾冗余：一体机故障时桌面版可离线工作，关键岗位不受影响
5. 符合本院规模：50-80人规模、14模块80子模块的平台复杂度，需要集中+分散的混合架构

三、第三方开发费用测算

3.1 模块划分与人月估算

人月单价基准（参考2026年西南地区软件开发市场行情）：

计算：1.5×0.2 + 2.5×0.35 + 3.5×0.3 + 4.5×0.15 = 0.3 + 0.875 + 1.05 + 0.675 = 2.9万元/人月

子模块开发量基准：

3.2 14个主模块逐模块人月估算

3.3 附加工作量测算

3.4 总人月与总费用

关键结论：第三方开发总费用区间约 910万 - 2,247万元，中位预算约 1,572万元。

由于神农复用可缩减35%-40%开发量，若完全从零开发同等规模平台，预估费用约2,400万-3,700万元，神农复用带来的成本节约约 600万-1,500万元。

3.5 四类作物定制技能开发费（单列）

神农证据库偏重水稻/小麦/玉米，本院核心作物油菜、大豆、甘薯、花生需自建定制技能：

注：以上费用已包含在M12（模型训练与技能定制）模块的人月估算中，此处单列以明确作物定制的投入占比。建议优先开发油菜和大豆（产业技术体系岗位支撑，数据基础较好），甘薯和花生在第2年迭代。

四、硬件与算力成本

4.1 服务器配置方案

4.2 神农一体机方案（推荐硬件）

推荐采购：神农-拓疆（7B模型），理由： - 7B模型在育种场景（GS预测、表型识别、亲本组配推理）中精度与速度平衡最佳 - 1B模型能力不足，32B模型对地市级农科院过于超前且成本过高 - 思元590四卡配置可支持20-30人并发推理 - 价格区间100-150万，争取示范基地优惠后可降至80-100万

需商务确认：一体机具体配置和价格需与神农团队/寒武纪渠道确认。以上价格基于寒武纪思元590单卡3-8万、八卡模组约50万的市场行情推算。

4.3 存储方案与数据量估算

三年育种数据量增长预估：

存储采购建议： - 在线存储：文件存储服务器85TB可用（约8.5万），满足3年需求 - 备份存储：备份服务器约32TB可用（约5万） - 近线归档：第3年可考虑蓝光存储或磁带库（约3-5万） - 存储合计：约13.5-18.5万元

4.4 网络与安全设备（等保2.0三级）

4.5 神农一体机 vs 自建GPU服务器成本对比

结论：虽然自建GPU服务器表面成本低，但神农模型基于寒武纪硬件优化，迁移到NVIDIA CUDA生态存在重大兼容性风险，且无官方技术支持。对于本院这种以应用为主的单位，一体机的TCO虽高但风险可控、交付有保障。建议采购一体机，自建GPU服务器作为模型微调的补充。

4.6 用户现有RTX 4070 Ti Super可利用场景

建议：将用户现有PC作为核心分析人员的重度分析工作站，同时作为一体机的容灾备份节点。院内其他分析人员可逐步配置带GPU的工作站（约1.5-2万/台），但首批不建议大规模采购，先用一体机承载。

五、运维与持续成本

5.1 年度运维成本明细

5.2 运维模式建议

推荐：第1年开发商驻场 + 第2-3年院内IT为主、开发商远程支持。

5.3 数据备份与容灾策略

六、三年分年度预算表

6.1 预算编制说明

• 预算基准：采用中位估算值编制标准预算，同时给出保守（下限）和充裕（上限）区间
• 推荐方案：方案C（混合模式）+ 神农-拓疆一体机 + 第三方全量开发
• 开发节奏：第1年完成65%（核心模块+上线），第2年完成25%（迭代完善+作物定制），第3年完成10%（优化维护）
• 付款节奏：与开发里程碑挂钩，详见6.4节

6.2 标准预算表（中位估算）

单位：万元

6.3 预算区间汇总

建议申报预算：按标准预算2,150万元申报，同时准备保守方案1,430万元作为预算压缩时的备选。若财政专项不足，可通过科研项目经费补充开发费用。

6.4 资金来源建议

资金筹措策略： 1. 第1年资金需求最大（1,401万），建议提前申报下一年度财政专项，同时动用部分科研项目结余经费 2. 一体机采购（120万）可单独申请"农业农村部数字农业试点"或"省种业振兴专项" 3. 四类作物定制技能开发费可分别从油菜、大豆、甘薯、花生的产业技术体系经费中列支 4. 第2-3年运维费纳入单位年度预算常规科目

6.5 付款节点建议（与里程碑挂钩）

第三方开发付款节点（总开发费1,572万）：

硬件采购付款节点： - 合同签订预付30% → 到货验收付60% → 1年质保期满付10%

一体机采购付款节点： - 争取"示范基地合作"模式：首付50% → 部署验收付30% → 1年运行达标付20%

七、采购谈判策略

7.1 与中国农大神农团队的谈判要点

谈判节奏建议： 1. 第1轮（2026年9-10月）：以"考察交流"名义拜访王耀君团队，表达合作意向，了解定价策略和示范基地政策，不急于报价 2. 第2轮（2026年11月）：提交正式合作方案，包含示范基地挂牌、作物验证计划、联合论文等一揽子合作内容，争取软件免费+一体机优惠 3. 第3轮（2026年12月）：商务条款谈判，锁定授权价格、服务等级、数据权益等核心条款，签署合作框架协议 4. 第4轮（2027年Q1）：签署正式采购合同，一体机到货部署

7.2 第三方开发商招标策略

7.2.1 招标方式

• 建议采用公开招标方式（政府采购法规定，预算超过200万需公开招标）
• 若涉及神农系统深度集成，可考虑"公开招标+单一来源采购"组合：平台开发公开招标，神农一体机及配套服务单一来源采购（向中国农大指定合作方）

7.2.2 评分标准（满分100分）

7.2.3 报价上限设置

• 开发费报价上限：1,600万元（高于中位估算1,572万，留出合理竞争空间）
• 超过报价上限的投标视为无效投标
• 建议设置最低成本警戒线：低于1,000万的报价需提供详细成本说明，防止恶意低价中标后偷工减料

7.2.4 知识产权与源码交付要求

7.3 分阶段采购建议

关键控制点： - POC期结束后进行阶段评审，若神农引擎匹配度低于预期，可调整技术路线（如增加自建引擎比例），避免大额投入后发现不适用 - 核心建设期结束后进行中期验收，未达里程碑则暂停后续付款，要求开发商整改 - 全量完善期结束后进行终验，以等保测评和用户验收测试为硬性通过条件

7.4 风险规避条款

7.4.1 数据安全条款

7.4.2 交付延期条款

7.4.3 性能不达标条款

7.4.4 厂商锁定风险规避

附录：核心假设与计算依据汇总

A. 价格假设

B. 规模假设

C. 时间假设

D. 需商务确认事项清单

1. 神农育种Studio企业版正式定价（席位/服务器/买断）
2. 神农-拓疆一体机具体配置与官方报价
3. 示范基地合作模式的具体优惠条件
4. 一体机硬件维保条款（质保年限、响应时间、备件供应）
5. 寒武纪思元590加速卡的供货周期和出口管制状态
6. 四类作物定制技能的神农团队技术支持范围
7. 院内机房条件（空间、供电、散热、承重）是否满足一体机部署要求
8. 财政专项申报的具体时间窗口和额度限制

文档结束

本方案为预算测算稿，所有涉及神农产品的价格均为基于市场惯例的推测，最终以商务谈判结果为准。建议在正式立项前完成POC验证和商务询价，再根据实际情况调整预算。

附录2：POC验证清单与MCP技术方案

神农育种Studio + 自建业务平台 POC验证清单与MCP集成技术方案

项目名称：南充市农业科学院神农育种AI平台POC验证 文档版本：v1.0 编制日期：2026-09-08 编制角色：农业AI平台技术架构师 适用范围：POC阶段（1-2个月）技术验证与决策依据

一、POC验证总体方案

1.1 POC目标与成功标准

1.1.1 总体目标

用南充市农科院真实育种数据（油菜、大豆、甘薯、花生）验证神农育种Studio的核心分析能力，确认MCP协议对接自建业务系统的技术可行性，为后续全面建设提供量化决策依据。

1.1.2 量化成功标准

1.1.3 POC整体通过条件

满足以下全部条件即判定POC通过： 1. A组（GS）+ B组（GWAS）+ D组（统计）核心用例通过率 ≥ 90% 2. C组（AI识别）至少2/3用例通过 3. MCP三个服务器全部完成搭建并通过数据读写验证 4. 至少完成1个端到端完整分析场景（从业务平台取数→神农分析→结果回写→Web展示） 5. 出具完整POC测试报告，含精度数据与问题清单

1.2 POC周期与里程碑（按周分解）

POC总周期 8周（2026-09-14 至 2026-11-08），分4个阶段。

关键节点：W2末进行中期检查，确认数据质量与神农安装状态；W5末进行核心能力验证复盘，决定是否进入MCP阶段。

1.3 参与人员与分工

沟通机制： - 每周五下午16:00项目周会（1小时） - 神农团队支持通过专属微信群/邮件响应，承诺48小时内回复 - 重大问题随时升级至项目负责人

1.4 数据准备清单

1.4.1 表型数据

1.4.2 基因型数据

1.4.3 图像数据

1.4.4 业务系统数据（MCP对接用）

1.5 环境准备

1.5.1 硬件环境

1.5.2 软件环境

1.5.3 网络与账号

二、核心测试用例清单

用例编号规则：组别字母+序号，如A1、B2。每个用例包含完整测试卡片。 实际结果列在POC执行时填写，本文档中留空。

A组：基因组选择（GS）验证

用例 A1：油菜多环境试验GBLUP分析

用例 A2：大豆BLUP育种值估算

用例 A3：多模型对比（RR-BLUP vs BayesB vs GBLUP）

B组：GWAS与分子育种验证

用例 B1：大豆GWAS分析

用例 B2：标记辅助选择（MAS）验证

C组：表型AI识别验证

用例 C1：油菜菌核病图像识别

用例 C2：大豆荚果计数

用例 C3：甘薯块根图像分析

D组：田间试验统计验证

用例 D1：多环境试验稳定性分析（GGE/AMMI）

用例 D2：遗传参数估算（双列杂交GCA/SCA）

E组：亲本组配与决策验证

用例 E1：AI亲本组配推荐

用例 E2：优良品系筛选（综合评价）

F组：生信流水线验证

用例 F1：基因型数据QC

用例 F2：格式转换（VCF↔PLINK↔HapMap）

G组：文档与报告验证

用例 G1：专业育种分析报告生成

用例 G2：Excel数据整理与校验

三、MCP对接技术验证项

3.1 MCP服务器搭建验证

3.2 数据读取验证

3.3 数据回写验证

3.4 并发与性能验证

3.5 安全验证

3.6 错误处理与断点续传验证

四、MCP集成技术方案

4.1 总体架构设计

4.1.1 架构图（ASCII）

┌─────────────────────────────────────────────────────────────────────────┐
│                         南充市农科院育种业务平台 (Web端)                    │
│  ┌──────────────┐  ┌──────────────┐  ┌──────────────┐  ┌─────────────┐ │
│  │ 种质资源登记  │  │ 田间育种工作  │  │ 基因型数据   │  │ 分析结果    │ │
│  │   平台前端   │  │   平台前端   │  │   管理前端   │  │ 展示前端    │ │
│  └──────┬───────┘  └──────┬───────┘  └──────┬───────┘  └──────┬──────┘ │
└─────────┼─────────────────┼─────────────────┼─────────────────┼────────┘
          │                 │                 │                 │
          ▼                 ▼                 ▼                 ▼
┌─────────────────────────────────────────────────────────────────────────┐
│                         业务后端 (Java/Python, K8s)                       │
│  ┌───────────────────────────────────────────────────────────────────┐  │
│  │                    API Gateway / 统一认证 (SSO)                    │  │
│  └───────────────────────────────┬───────────────────────────────────┘  │
│                                  │                                        │
│  ┌──────────────┐  ┌─────────────▼──────────┐  ┌────────────────────┐  │
│  │ 种质资源服务  │  │   田间试验服务         │  │   基因型数据服务    │  │
│  │ (业务逻辑)   │  │   (业务逻辑)           │  │   (业务逻辑)        │  │
│  └──────┬───────┘  └─────────────┬──────────┘  └─────────┬──────────┘  │
└─────────┼────────────────────────┼────────────────────────┼─────────────┘
          │                        │                        │
          │   ┌────────────────────▼────────────────────────▼──────┐    │
          │   │              MCP Client SDK (嵌入业务后端)            │    │
          │   │  - 工具发现  - 请求封装  - 认证注入  - 结果解析       │    │
          │   └────────────────────────┬─────────────────────────────┘    │
          │                            │  MCP Protocol (JSON-RPC 2.0)      │
          │                            │  over HTTPS (TLS 1.3)             │
          ▼                            ▼                                   │
┌─────────────────────────────────────────────────────────────────────────┐
│                       MCP Server 层 (DMZ区, Docker)                       │
│  ┌─────────────────┐ ┌─────────────────┐ ┌─────────────────┐            │
│  │ 种质资源MCP     │ │ 田间试验MCP     │ │ 基因型MCP       │            │
│  │ Server (FastMCP)│ │ Server (FastMCP)│ │ Server (FastMCP)│            │
│  │  Port: 8001    │ │  Port: 8002    │ │  Port: 8003    │            │
│  └────────┬────────┘ └────────┬────────┘ └────────┬────────┘            │
└───────────┼─────────────────────┼─────────────────────┼──────────────────┘
            │                     │                     │
            ▼                     ▼                     ▼
┌─────────────────────────────────────────────────────────────────────────┐
│                      数据层 (内网, 数据库/文件存储)                        │
│  ┌──────────────┐  ┌──────────────┐  ┌──────────────────────────────┐  │
│  │ PostgreSQL   │  │ PostgreSQL   │  │  VCF文件存储 (NAS)            │  │
│  │ 种质资源库   │  │ 田间试验库   │  │  + 元数据库 (PostgreSQL)      │  │
│  │ (种质/表型)  │  │ (试验/设计)  │  │  + PLINK二进制缓存            │  │
│  └──────────────┘  └──────────────┘  └──────────────────────────────┘  │
└─────────────────────────────────────────────────────────────────────────┘
                                          ▲
                                          │ MCP Client (神农Studio内置)
                                          │
                                 ┌────────┴────────┐
                                 │  神农育种Studio  │
                                 │  (桌面端, Win11) │
                                 │  - 分析引擎内核  │
                                 │  - MCP客户端     │
                                 │  - 技能运行时    │
                                 └─────────────────┘

4.1.2 各层职责与技术选型

4.1.3 两种集成模式

POC阶段策略：优先验证模式A（神农主动拉取），这是神农Studio原生支持的方式；模式B作为探索性验证，确认技术可行性即可。

4.2 三个核心MCP服务器详细设计

4.2.1 MCP服务器1：种质资源库MCP Server

基本信息

暴露的工具（Tools）列表与函数签名

Tool 1: search_germplasm

按条件检索种质材料。

@mcp.tool()
def search_germplasm(
    crop_type: str,              # 作物类型：rapeseed / soybean / sweet_potato / peanut
    material_type: str = None,   # 材料类型：cultivar / landrace / breeding_line / wild
    origin: str = None,          # 来源地
    status: str = None,          # 状态：active / conserved / eliminated
    traits_filter: dict = None,  # 性状过滤，如 {"plant_height": {"min": 100, "max": 150}}
    page: int = 1,               # 页码
    page_size: int = 50          # 每页数量，最大200
) -> dict:
    """
    返回:
    {
        "total": int,           # 总记录数
        "page": int,
        "page_size": int,
        "items": [
            {
                "material_id": "NC-R-0001",
                "name": "南油001",
                "crop_type": "rapeseed",
                "material_type": "cultivar",
                "origin": "四川南充",
                "status": "active",
                "pedigree": "川油21 × 中双9号",
                "key_traits": {"plant_height": 168.5, "yield": 2100.0}
            },
            ...
        ]
    }
    """

Tool 2: get_germplasm_detail

获取单份材料详细信息。

@mcp.tool()
def get_germplasm_detail(
    material_id: str             # 材料编号，如 "NC-R-0001"
) -> dict:
    """
    返回:
    {
        "material_id": "NC-R-0001",
        "name": "南油001",
        "crop_type": "rapeseed",
        "material_type": "cultivar",
        "origin": "四川南充",
        "breeder": "张三",
        "year_released": 2020,
        "pedigree": "川油21 × 中双9号",
        "status": "active",
        "conservation_location": "院种质资源库A区-架3-盒5",
        "phenotype_summary": {
            "plant_height": {"mean": 168.5, "cv": 0.08, "n_env": 3},
            "yield": {"mean": 2100.0, "cv": 0.15, "n_env": 3}
        },
        "genotype_available": True,
        "genotype_dataset_ids": ["GT-001"],
        "images": [
            {"type": "plant", "url": "https://.../NC-R-0001_plant.jpg"},
            {"type": "seed", "url": "https://.../NC-R-0001_seed.jpg"}
        ],
        "notes": "抗倒性强，适合机械化收获"
    }
    """

Tool 3: get_genotype_data

获取基因型数据（返回文件引用，不直接返回大矩阵）。

@mcp.tool()
def get_genotype_data(
    material_ids: list,          # 材料编号列表，如 ["NC-R-0001", "NC-R-0002", ...]
    marker_type: str = "snp",    # 标记类型：snp / ssr / kasp
    dataset_id: str = None,      # 指定基因型数据集ID，不指定则返回最新
    format: str = "vcf"          # 输出格式：vcf / plink / hapmap / matrix_csv
) -> dict:
    """
    返回:
    {
        "dataset_id": "GT-001",
        "format": "vcf",
        "sample_count": 200,
        "marker_count": 50000,
        "file_url": "https://mcp.ncnky.cn/genotype/temp/GT-001_subset_20260915.vcf.gz",
        "file_size_mb": 45.2,
        "md5": "a1b2c3d4e5f6...",
        "expires_at": "2026-09-16T00:00:00Z",
        "index_url": "https://mcp.ncnky.cn/genotype/temp/GT-001_subset_20260915.vcf.gz.tbi"
    }
    说明: 大文件通过预签名URL提供下载，24小时后过期；
          若样本数≤50且标记数≤1000，可直接返回matrix_csv内嵌数据
    """

Tool 4: get_phenotype_data

获取表型数据。

@mcp.tool()
def get_phenotype_data(
    material_ids: list = None,   # 材料编号列表，None表示全部
    trait: str = None,           # 性状名称，如 "plant_height"，None表示所有性状
    environment: str = None,     # 环境/试验ID，如 "env_2025_nanchong"，None表示所有环境
    experiment_id: str = None,   # 试验ID，优先于environment
    include_reps: bool = True    # 是否包含重复级数据，False则返回均值
) -> dict:
    """
    返回:
    {
        "total_rows": 3600,
        "traits": ["plant_height", "branch_number", "yield", ...],
        "environments": ["env_2025_nanchong", "env_2025_shehong", "env_2025_renshou"],
        "data": [
            {
                "material_id": "NC-R-0001",
                "environment": "env_2025_nanchong",
                "rep": 1,
                "trait": "plant_height",
                "value": 168.5,
                "unit": "cm"
            },
            ...
        ]
    }
    说明: 数据量>10000行时，返回CSV文件下载URL而非内嵌JSON
    """

Tool 5: get_pedigree

获取系谱信息。

@mcp.tool()
def get_pedigree(
    material_id: str,            # 材料编号
    generations: int = 3         # 追溯代数，最大5代
) -> dict:
    """
    返回:
    {
        "material_id": "NC-R-0001",
        "name": "南油001",
        "pedigree_tree": {
            "individual": "NC-R-0001",
            "sire": {
                "individual": "川油21",
                "sire": {...},
                "dam": {...}
            },
            "dam": {
                "individual": "中双9号",
                "sire": {...},
                "dam": {...}
            }
        },
        "pedigree_text": "川油21 × 中双9号",
        "inbreeding_coefficient": 0.0625
    }
    """

Tool 6: write_analysis_result

回写分析结果到业务数据库。

@mcp.tool()
def write_analysis_result(
    material_id: str,            # 材料编号
    result_type: str,            # 结果类型：gblup_ebv / gwas_hit / mas_selection / stability_index
    trait: str,                  # 性状名称
    result_data: dict,           # 结果数据，结构因result_type而异
    analysis_id: str = None,     # 分析任务ID，用于幂等控制
    metadata: dict = None        # 元数据：分析方法、参数、模型、时间戳
) -> dict:
    """
    result_data 示例 (gblup_ebv):
    {
        "ebv": 105.2,            # 估计育种值
        "accuracy": 0.72,        # 育种值准确率
        "reliability": 0.52,     # 可靠性
        "rank": 15,              # 排名
        "percentile": 0.92       # 百分位
    }

    返回:
    {
        "success": true,
        "material_id": "NC-R-0001",
        "result_type": "gblup_ebv",
        "trait": "yield",
        "written_at": "2026-09-15T14:30:00Z",
        "analysis_id": "analysis_20260915_001"
    }
    """

数据模型映射

性能优化策略

4.2.2 MCP服务器2：田间试验系统MCP Server

基本信息

暴露的工具（Tools）列表与函数签名

Tool 1: get_experiment_list

获取试验列表。

@mcp.tool()
def get_experiment_list(
    crop_type: str = None,       # 作物类型过滤
    year: int = None,            # 年份过滤
    experiment_type: str = None, # 试验类型：variety_trial / yield_trial / demonstration / segregation
    status: str = None,          # 状态：planning / ongoing / completed / analyzed
    page: int = 1,
    page_size: int = 50
) -> dict:
    """
    返回:
    {
        "total": int,
        "items": [
            {
                "experiment_id": "EXP-2025-R-001",
                "name": "2025年油菜品种比较试验",
                "crop_type": "rapeseed",
                "year": 2025,
                "type": "variety_trial",
                "status": "completed",
                "environments": ["nanchong", "shehong", "renshou"],
                "material_count": 50,
                "trait_count": 8,
                "start_date": "2025-09-20",
                "end_date": "2026-05-15",
                "principal_investigator": "李四"
            },
            ...
        ]
    }
    """

Tool 2: get_experiment_design

获取试验设计。

@mcp.tool()
def get_experiment_design(
    experiment_id: str           # 试验ID
) -> dict:
    """
    返回:
    {
        "experiment_id": "EXP-2025-R-001",
        "design_type": "randomized_complete_block",  # 随机完全区组
        "replications": 3,
        "plot_size": "20 m²",
        "plant_density": "15000 plants/ha",
        "row_spacing": "40 cm",
        "environments": [
            {
                "env_id": "nanchong",
                "site_name": "南充试验基地",
                "latitude": 30.83,
                "longitude": 106.08,
                "soil_type": "紫色土",
                "sowing_date": "2025-09-25",
                "harvest_date": "2026-05-10"
            },
            ...
        ],
        "treatments": [
            {"treatment_id": "T01", "material_id": "NC-R-0001", "type": "entry"},
            {"treatment_id": "T02", "material_id": "NC-R-0002", "type": "entry"},
            {"treatment_id": "CK1", "material_id": "川油21", "type": "control"},
            ...
        ],
        "field_map_url": "https://.../field_map_EXP-2025-R-001.pdf"
    }
    """

Tool 3: get_trial_data

获取试验数据。

@mcp.tool()
def get_trial_data(
    experiment_id: str,          # 试验ID
    traits: list = None,         # 性状列表，None表示全部
    environments: list = None,   # 环境列表，None表示全部
    data_level: str = "plot"     # 数据级别：plot（小区原始） / entry（材料均值） / adjusted（校正值）
) -> dict:
    """
    返回:
    {
        "experiment_id": "EXP-2025-R-001",
        "data_level": "plot",
        "total_rows": 450,
        "traits": [
            {"code": "yield", "name": "产量", "unit": "kg/ha"},
            {"code": "plant_height", "name": "株高", "unit": "cm"},
            ...
        ],
        "data": [
            {
                "environment": "nanchong",
                "block": 1,
                "plot_no": "A-01",
                "material_id": "NC-R-0001",
                "yield": 2150.5,
                "plant_height": 168.5,
                ...
            },
            ...
        ]
    }
    说明: 宽表格式（每个性状一列），便于直接导入统计软件；
          数据量大时返回CSV下载URL
    """

Tool 4: get_environment_data

获取环境/气象数据。

@mcp.tool()
def get_environment_data(
    experiment_id: str,          # 试验ID
    env_id: str = None,          # 指定环境，None表示所有环境
    data_type: str = "weather"   # 数据类型：weather / soil / management
) -> dict:
    """
    返回 (weather):
    {
        "experiment_id": "EXP-2025-R-001",
        "environments": [
            {
                "env_id": "nanchong",
                "daily_records": [
                    {"date": "2025-09-25", "tmax": 28.5, "tmin": 18.2, "rainfall": 0, "sunshine": 6.5, "rh": 72},
                    ...
                ],
                "growing_degree_days": 2850.5,
                "total_rainfall": 680.2
            },
            ...
        ]
    }
    """

Tool 5: get_field_images

获取田间图像。

@mcp.tool()
def get_field_images(
    experiment_id: str,          # 试验ID
    env_id: str = None,          # 环境
    growth_stage: str = None,    # 生育期：seedling / flowering / podding / maturity
    image_type: str = None,      # 图像类型：canopy / plot / disease / drone
    material_id: str = None      # 指定材料
) -> dict:
    """
    返回:
    {
        "total": 156,
        "images": [
            {
                "image_id": "IMG-2025-0312-001",
                "experiment_id": "EXP-2025-R-001",
                "env_id": "nanchong",
                "growth_stage": "flowering",
                "image_type": "canopy",
                "material_id": "NC-R-0001",
                "capture_date": "2026-03-12",
                "url": "https://.../IMG-2025-0312-001.jpg",
                "thumbnail_url": "https://.../thumb_IMG-2025-0312-001.jpg",
                "metadata": {"camera": "Sony A7M4", "exposure": "1/250s", "gps": "30.83,106.08"}
            },
            ...
        ]
    }
    说明: 图像通过URL引用传输，不使用base64内嵌（除非缩略图<100KB）
    """

Tool 6: write_statistics_result

回写统计分析结果。

@mcp.tool()
def write_statistics_result(
    experiment_id: str,          # 试验ID
    result_type: str,            # 结果类型：anova / gge / ammi / blup / stability
    result_data: dict,           # 结果数据
    analysis_id: str = None,     # 幂等控制
    metadata: dict = None
) -> dict:
    """
    result_data 示例 (gge):
    {
        "pc1_explained": 45.2,
        "pc2_explained": 28.6,
        "genotype_scores": [
            {"material_id": "NC-R-0001", "pc1": 0.85, "pc2": -0.32},
            ...
        ],
        "environment_scores": [
            {"env_id": "nanchong", "pc1": 1.2, "pc2": 0.15},
            ...
        ],
        "stability_rank": [
            {"material_id": "NC-R-0003", "score": 0.92, "rank": 1},
            ...
        ],
        "recommended_varieties": ["NC-R-0003", "NC-R-0007", "NC-R-0012"]
    }

    返回:
    {
        "success": true,
        "experiment_id": "EXP-2025-R-001",
        "result_type": "gge",
        "written_at": "2026-09-15T15:00:00Z"
    }
    """

多环境数据聚合策略

图像数据传输方案

4.2.3 MCP服务器3：基因型数据库MCP Server

基本信息

暴露的工具（Tools）列表与函数签名

Tool 1: list_genotype_datasets

列出基因型数据集。

@mcp.tool()
def list_genotype_datasets(
    crop_type: str = None,       # 作物类型
    marker_type: str = None,     # 标记类型：snp / ssr / kasp / wgs
    platform: str = None,        # 芯片平台：brassica_50k / soybean_100k / ...
    status: str = "published",   # 状态：draft / qc_passed / published / archived
    page: int = 1,
    page_size: int = 50
) -> dict:
    """
    返回:
    {
        "total": int,
        "items": [
            {
                "dataset_id": "GT-001",
                "name": "油菜200份材料50K SNP数据集",
                "crop_type": "rapeseed",
                "marker_type": "snp",
                "platform": "Brassica 50K Array",
                "sample_count": 200,
                "marker_count": 48520,
                "file_format": "vcf_gz",
                "file_size_mb": 120.5,
                "qc_status": "passed",
                "created_at": "2026-03-15",
                "created_by": "王五",
                "description": "2025年油菜品比试验材料基因分型"
            },
            ...
        ]
    }
    """

Tool 2: get_vcf_metadata

获取VCF元信息。

@mcp.tool()
def get_vcf_metadata(
    dataset_id: str              # 数据集ID
) -> dict:
    """
    返回:
    {
        "dataset_id": "GT-001",
        "file_format": "VCFv4.2",
        "sample_count": 200,
        "marker_count": 48520,
        "chromosomes": ["A01", "A02", ..., "A10", "C01", ..., "C09"],
        "marker_distribution": {"A01": 5200, "A02": 4800, ...},
        "missing_rate_overall": 0.032,
        "maf_distribution": {"<0.01": 2100, "0.01-0.05": 8500, ">0.05": 37920},
        "filter_status": "raw",  # raw / filtered
        "reference_genome": "Brassica_napus_v4.1",
        "sample_list": ["NC-R-0001", "NC-R-0002", ...],
        "qc_report_url": "https://.../qc_report_GT-001.pdf"
    }
    """

Tool 3: extract_genotype_matrix

提取基因型矩阵（核心工具，支持大矩阵提取）。

@mcp.tool()
def extract_genotype_matrix(
    dataset_id: str,             # 数据集ID
    samples: list = None,        # 样本列表，None表示全部
    markers: list = None,        # 标记ID列表，None表示全部
    regions: list = None,        # 基因组区域，如 ["A01:1000000-5000000", "A03:1-10000000"]
    encoding: str = "numeric",   # 编码方式：numeric(0/1/2) / genotype(AA/Aa/aa) / dosage
    maf_threshold: float = 0.0,  # MAF过滤阈值
    missing_threshold: float = 1.0,  # 缺失率过滤阈值
    output_format: str = "auto"  # auto / csv / vcf / plink / numpy_npz
) -> dict:
    """
    返回 (小矩阵, 内嵌):
    {
        "format": "csv",
        "sample_count": 50,
        "marker_count": 1000,
        "data_url": None,
        "data_inline": "marker,sample1,sample2,...\nA01_1000,0,1,2,...\n...",
        "row_count": 1000,
        "col_count": 50
    }

    返回 (大矩阵, 文件引用):
    {
        "format": "csv",
        "sample_count": 200,
        "marker_count": 48520,
        "data_url": "https://mcp.ncnky.cn/genotype/temp/GT-001_extract_20260915.csv.gz",
        "file_size_mb": 85.3,
        "md5": "f6e5d4c3b2a1...",
        "expires_at": "2026-09-16T00:00:00Z",
        "filtered_markers": 1480,  # 被过滤掉的标记数
        "filtered_samples": 0
    }

    规则: 样本数×标记数 ≤ 500,000 时内嵌返回；超过则生成文件返回URL
    """

Tool 4: get_marker_info

获取标记信息。

@mcp.tool()
def get_marker_info(
    marker_ids: list,            # 标记ID列表
    dataset_id: str = None       # 可选，限定数据集
) -> dict:
    """
    返回:
    {
        "markers": [
            {
                "marker_id": "A01_1250000",
                "rs_id": "rsBrA01_1250000",
                "chromosome": "A01",
                "position": 1250000,
                "ref_allele": "A",
                "alt_allele": "G",
                "maf": 0.23,
                "missing_rate": 0.02,
                "gene_annotation": "intergenic",
                "nearest_gene": "BnaA01g00120D",
                "distance_to_gene": 1500
            },
            ...
        ]
    }
    """

Tool 5: run_qc_pipeline

触发QC流水线（异步任务）。

@mcp.tool()
def run_qc_pipeline(
    dataset_id: str,             # 数据集ID
    params: dict = None          # QC参数
) -> dict:
    """
    params 默认值:
    {
        "sample_missing_threshold": 0.20,
        "marker_missing_threshold": 0.20,
        "maf_threshold": 0.05,
        "hwe_p_threshold": 1e-6,
        "heterozygosity_threshold": 0.10,
        "run_pca": true,
        "run_ibd": true,
        "pca_components": 10
    }

    返回:
    {
        "task_id": "qc_task_20260915_001",
        "status": "running",  # running / completed / failed
        "dataset_id": "GT-001",
        "submitted_at": "2026-09-15T10:00:00Z",
        "estimated_completion": "2026-09-15T10:45:00Z",
        "progress_url": "https://mcp.ncnky.cn/genotype/qc/status/qc_task_20260915_001",
        "result_url": null  # 完成后填充
    }

    说明: QC为长任务（30分钟-2小时），异步执行，通过progress_url轮询状态
    """

Tool 6: write_gwas_result

回写GWAS结果。

@mcp.tool()
def write_gwas_result(
    dataset_id: str,             # 基因型数据集ID
    trait: str,                  # 性状
    model: str,                  # 模型：mlm / farmcpu / glm
    significant_snps: list,      # 显著SNP列表
    analysis_id: str = None,     # 幂等控制
    metadata: dict = None        # 含QQ图/Manhattan图URL、λ值等
) -> dict:
    """
    significant_snps 示例:
    [
        {
            "marker_id": "A03_15800000",
            "chromosome": "A03",
            "position": 15800000,
            "p_value": 3.2e-8,
            "maf": 0.18,
            "effect_size": -0.35,
            "r2": 0.12,
            "nearest_gene": "BnaA03g25670D"
        },
        ...
    ]

    返回:
    {
        "success": true,
        "dataset_id": "GT-001",
        "trait": "yield",
        "significant_snp_count": 12,
        "written_at": "2026-09-15T16:00:00Z"
    }
    """

大文件处理策略

存储格式建议

4.3 数据流向设计

4.3.1 典型分析场景：油菜GS分析完整链路

用户操作                          系统动作
─────────────────────────────────────────────────────────────────
1. 育种家登录Web平台               → 业务后端验证身份，获取用户权限
   选择"油菜GS分析"

2. 选择试验数据集                  → 调用田间试验MCP: get_experiment_list
   (2025油菜品比, 3环境)            → 返回试验列表，用户选择EXP-2025-R-001

3. 选择性状和材料范围               → 调用种质资源MCP: search_germplasm
   (200份材料, 6个性状)             → 返回材料列表
                                    → 调用田间试验MCP: get_trial_data
                                    → 获取200份×3环境×6性状表型数据(3600行)
                                    → 数据暂存或直接传给神农

4. 选择基因型数据集                 → 调用基因型MCP: list_genotype_datasets
   (油菜50K SNP)                    → 返回GT-001
                                    → 调用基因型MCP: extract_genotype_matrix
                                    → 提取200样本×50K SNP矩阵
                                    → 返回VCF文件URL(85MB)
                                    → 神农下载VCF到本地

5. 点击"启动GBLUP分析"             → 神农Studio加载表型+基因型
   (在神农桌面端操作)                → 构建G矩阵(5-10分钟)
                                    → 拟合GBLUP模型(10-30分钟)
                                    → 5折交叉验证(重复5次, 30-60分钟)
                                    → 生成分析报告

6. 分析完成                         → 神农调用种质资源MCP: write_analysis_result
                                    → 逐份回写200份材料的EBV(200次调用或批量)
                                    → 调用田间试验MCP: write_statistics_result
                                    → 回写交叉验证精度、遗传力等汇总结果

7. Web平台展示结果                  → 业务后端从数据库读取分析结果
                                    → 前端展示: EBV排名表、精度柱状图、
                                      TOP20材料卡片、遗传力报告
                                    → 支持导出PDF报告

关键时序说明： - 步骤1-4为数据准备阶段，预计耗时5-10分钟（含大文件下载） - 步骤5为计算阶段，预计耗时1-2小时（GBLUP+交叉验证） - 步骤6-7为结果回写和展示，预计耗时5分钟 - 长任务（步骤5）采用异步模式，用户可离开页面，完成后通过站内信/邮件通知

4.3.2 同步 vs 异步分析任务处理策略

异步任务实现：

Web后端 → 提交任务到Redis队列(Celery)
         → Worker调用神农(通过MCP或本地CLI)执行分析
         → 分析完成 → 结果回写DB → 触发回调(WebSocket/邮件/站内信)
         → 用户查询任务状态: GET /api/tasks/{task_id}

4.3.3 分析结果的存储与版本管理

4.4 安全方案

4.4.1 身份认证

4.4.2 传输加密

4.4.3 权限控制（RBAC + 数据权限）

角色定义：

数据权限粒度：

4.4.4 操作审计

所有MCP调用记录审计日志，字段：

日志存储：写入独立审计库（只追加，不可修改/删除），保留≥3年；支持按用户、工具、时间范围查询。

4.4.5 数据脱敏规则

4.4.6 网络隔离

┌─────────────────────────────────────────────┐
│  外网 / 办公网                                │
│  - 用户浏览器                                 │
│  - 神农Studio (通过VPN接入)                   │
└──────────────────┬──────────────────────────┘
                   │ VPN / 防火墙 (只开放443)
                   ▼
┌─────────────────────────────────────────────┐
│  DMZ区                                       │
│  - Nginx反向代理 + WAF                       │
│  - MCP Servers (8001/8002/8003, 仅内网可达)  │
│  - Web平台前端静态资源                        │
└──────────────────┬──────────────────────────┘
                   │ 内网防火墙 (只开放DB端口给MCP)
                   ▼
┌─────────────────────────────────────────────┐
│  内网核心区                                   │
│  - PostgreSQL 数据库                          │
│  - NAS 文件存储 (VCF/图像)                    │
│  - Redis 缓存/队列                            │
└─────────────────────────────────────────────┘

4.4.7 生物遗传资源数据安全合规

依据《中华人民共和国生物遗传资源管理条例》：

4.5 技术选型与部署

4.5.1 MCP服务器开发框架

结论：POC阶段统一使用 Python FastMCP，原因：(1) 与神农 mcp-builder 生成的代码一致；(2) 生信数据处理（pysam、numpy、pandas）生态完善；(3) 开发速度快。生产阶段可根据性能需求将基因型MCP迁移至TypeScript。

4.5.2 部署方式

Docker Compose 示例结构：

services:
  germplasm-mcp:
    image: ncnky/germplasm-mcp:1.0
    ports: ["8001:8000"]
    environment:
      - DATABASE_URL=postgresql://...
      - API_KEYS=...
      - REDIS_URL=redis://redis:6379
    volumes:
      - ./logs:/app/logs
    restart: unless-stopped

  field-trial-mcp:
    image: ncnky/field-trial-mcp:1.0
    ports: ["8002:8000"]
    ...

  genotype-mcp:
    image: ncnky/genotype-mcp:1.0
    ports: ["8003:8000"]
    volumes:
      - /nas/genotype:/data/genotype  # 挂载NAS
    ...

  postgres:
    image: postgres:15
    ...

  redis:
    image: redis:7
    ...

4.5.3 高可用方案

4.5.4 监控与告警

Grafana看板： - MCP总览看板：3个Server的调用量、延迟、错误率 - 基因型专用看板：VCF提取耗时、大文件下载量、QC任务状态 - 业务看板：GS/GWAS分析任务数、完成率、平均耗时

五、POC验收标准汇总表

POC整体通过条件

判定规则：两个一票否决项必须全部满足；加权总分 ≥ 80分判定POC通过；70-79分为有条件通过（需限期整改）；<70分为不通过。

六、POC风险与应对

6.1 风险登记册

6.2 关键风险应对详解

R02：作物覆盖不足的应对（最高优先级）

具体措施： 1. POC启动前（W0）：向神农团队提交4种作物的功能需求清单，获取明确的支持/不支持列表 2. 油菜菌核病（C1）：若神农800种病害库不含油菜菌核病，方案： - 方案A：用skill-creator基于本院图像数据训练自定义病害分类器（迁移学习） - 方案B：用通用图像分类+关键词提示（"这是油菜叶片，可能是菌核病"）测试零样本识别 - 方案C：记录为功能缺口，POC结论中明确需二期开发 3. 甘薯多倍体（B2）：六倍体基因型分析复杂，方案： - 将SSR/KASP标记转为显性标记（有/无），二分类处理 - 系谱和GCA分析不受倍性影响，可正常验证 4. 花生：证据库覆盖最少，POC中花生仅做表型统计（PH-006），不做GS/GWAS

R04：MCP技术障碍的应对

具体措施： 1. W3提前预研：在核心能力验证阶段，IT组同步进行MCP技术预研，用FastMCP搭建一个Hello World服务器，确认与神农的连通性 2. 版本锁定：确认神农Studio支持的MCP协议版本和FastMCP版本，严格锁定 3. 降级方案：若MCP对接在W6仍未跑通，启动降级： - 神农分析用本地CSV数据（已提前导出） - 结果回写用SQL脚本手动执行 - MCP对接延期2周，不影响核心分析能力验证 4. 神农团队介入：W6安排神农团队1次远程联合调试（2小时），集中解决MCP问题

R10：分析结果差异的应对

具体措施： 1. 预期管理：POC启动会上向育种专家说明GS精度的文献范围（油菜产量0.3-0.5，株高0.5-0.7），避免不切实际的期望 2. 数据质量先行：A1分析前先做表型数据质量检查（重复力、异常值），数据质量差时先处理再分析 3. 多模型验证：A3多模型对比中，若GBLUP精度低，尝试BayesB（可能更适合有主效QTL的性状） 4. 客观归因：精度低时从三方面分析：数据问题（样本量/标记密度/表型误差）、模型问题（参数/群体结构）、工具问题（实现Bug），不简单归因于工具 5. 专家参与：A1和E1的结果必须由育种专家判定合理性，专家签字确认后才记录为通过

附录：POC执行检查清单

每日检查

• [ ] 测试用例执行记录更新
• [ ] 缺陷登记和跟踪
• [ ] 数据备份

每周检查

• [ ] 周进度报告
• [ ] 燃尽图更新
• [ ] 风险状态更新
• [ ] 神农团队问题清单同步

里程碑检查

• [ ] W2：环境和数据就绪确认
• [ ] W5：核心能力验证复盘
• [ ] W7：MCP集成测试完成
• [ ] W8：POC报告评审和验收

文档结束 本方案为POC阶段技术指导文件，执行中可根据实际情况调整用例优先级和时间安排，但核心用例（A1、B1、MCP对接）和整体通过条件不得降低。

附录3：工期排期与风险应对预案

神农育种Studio + 自建业务平台 项目工期人力排期与风险应对预案

项目名称：南充市农业科学院智慧育种平台建设项目 建设模式：神农为分析引擎内核 + 自建业务系统外壳 编制日期：2026年9月 文档版本：V1.0 适用范围：项目全生命周期（启动→上线→试运行）

一、模块级人月估算

1.1 估算标准与假设

附加工作量系数（在开发人月基础上叠加）：

1.2 模块1：种质资源管理（7个子模块）

模块合计（含35%附加）：27–38 人月

1.3 模块2：田间育种管理（13个子模块）

模块合计（含35%附加）：51–76 人月

1.4 模块3：AI决策支持（9个子模块，5个直接复用）

模块合计（含35%附加）：24–39 人月

1.5 模块4：育种驾驶舱（6个子模块，全部必须自建，复杂）

模块合计（含35%附加）：42–54 人月

1.6 模块5：数据质量治理（6个子模块，1个直接复用）

模块合计（含35%附加）：23–32 人月

1.7 模块6：系统管理（7个子模块，全部必须自建）

模块合计（含35%附加）：27–36 人月

1.8 模块7：AI中台（8个子模块，1个直接复用）

模块合计（含35%附加）：39–55 人月

1.9 模块8：GS基因组选择育种值（6个子模块，全部直接复用）

模块合计（含35%附加）：8–16 人月

1.10 模块9：表型AI（5个子模块，2个直接复用）

模块合计（含35%附加）：16–26 人月

1.11 模块10：生信分析流水线（5个子模块，4个直接复用）

模块合计（含35%附加）：9–18 人月

1.12 模块11：数据资产中心（5个子模块，全部必须自建）

模块合计（含35%附加）：26–38 人月

1.13 模块12：MAS分子标记辅助育种（4个子模块，2个直接复用）

模块合计（含35%附加）：11–18 人月

1.14 模块13：成果管理（1个子模块，必须自建）

模块合计（含35%附加）：5–8 人月

1.15 模块14：物联网接入（3个子模块，全部必须自建，复杂）

模块合计（含35%附加）：20–28 人月

1.16 14模块人月汇总表

说明：按用户给定分类（直接复用18/混合复用15/必须自建47），部分子模块在穿透分析中存在策略边界模糊，本表以实际开发工作量为准进行归类。直接复用类中含部分轻量前端开发，混合复用类中神农引擎占比不同导致区间差异。

1.17 总人月与工期折算

关键结论与工期策略：

全量80子模块（329–482人月）无法在12个月内由6人团队完成。必须采取分期交付策略：

推荐团队配置与工期：

• 一期（第1–9月）：投入8人（1PM + 1架构师 + 3后端 + 2前端 + 1测试），峰值10人（第4–7月加1后端+1前端）
• 二期（第10–15月）：投入6人，可缩减前端
• 三期（第16–18月）：投入4–5人，以集成和定制为主

预算估算：按混合人月成本2.8万（初级1.5/中级2.5/高级3.5/架构师4.5加权），一期约175–250人月 × 2.8万 = 490–700万元；全三期约329–482人月 × 2.8万 = 921–1,350万元。

二、工作分解结构（WBS）

2.1 阶段0：项目启动与准备

2.2 阶段1：神农部署与POC验证

2.3 阶段2：核心业务系统自建

2.4 阶段3：AI决策层集成

2.5 阶段4：高级能力与生态对接

2.6 阶段5：测试验收与上线

三、关键路径与依赖关系

3.1 关键路径识别

关键路径（最长依赖链，决定项目最短工期）：

项目启动(0.1) → 需求确认(0.2) → 架构设计(0.4) → 环境搭建(0.5)
→ 神农部署(1.1) → 数据整理(1.2) → POC执行(1.4) → POC决策(1.7)
→ 数据库设计(2.1) → 系统管理(2.2) → 田间育种(2.4)
→ MCP服务器(2.6) → GS集成(3.1) → AI决策(3.3)
→ 驾驶舱(3.5) → 集成测试(5.1) → 等保测评(5.3)
→ UAT(5.4) → 培训(5.5) → 上线(5.6) → 试运行(5.7) → 验收(5.8)

关键路径工期估算：约42–48周（10.5–12个月），覆盖一期核心范围。

非关键路径（可并行/有浮动时间）： - 种质管理（M1）：与田间管理并行，浮动约2周 - 移动端开发：依赖田间管理后端API，浮动约3周 - 数据质量工具：可与核心业务并行，浮动约4周 - 表型AI/生信/物联网：属于二期范围，不影响一期上线 - 作物定制技能：长期迭代，不阻塞上线

3.2 依赖关系表

3.3 关键里程碑列表

3.4 可并行工作包识别

最大并行度说明：第4–7月（核心开发期）为资源峰值，需8–10人同时投入。通过上述并行优化，一期工期可从理论48周压缩至约42周（10.5个月），为测试和上线预留缓冲。

四、甘特图与里程碑表

4.1 甘特图数据表（按月度）

4.2 里程碑表

五、人力资源计划

5.1 各阶段人力投入曲线（按角色，单位：人天/月）

说明：每月按22个工作日计算。峰值出现在第6–8月（138–150人天/月），折合6.3–6.8人全职投入，加上育种专家和甲方配合，实际现场约8–10人。

5.2 关键人员需求

5.2.1 育种专家深度参与节点

建议：指定2–3名核心育种专家（油菜/大豆各1名，甘薯/花生共用1名）作为业务负责人，全程参与。其中数据整理阶段需额外动员各课题组协助。

5.2.2 神农团队支持需求

建议：合同中明确神农厂商的技术响应SLA（P0问题4小时响应、24小时解决），并预留每年10–15人天的技术支持工时。

5.3 院内配合人员需求

5.4 培训计划

六、风险应对预案

风险1：神农是桌面端，不是SaaS/Web服务

应对措施：

触发条件： - POC阶段MCP连续3次调用失败率>20% - 神农团队确认MCP协议存在未修复的严重Bug且30天内无法解决 - 并发调用时神农桌面端崩溃或数据丢失

应急预案启动流程： 1. 架构师24小时内出具技术评估报告 2. PM组织甲方+神农团队召开紧急会议（48小时内） 3. 决策选择备选方案A或降级方案 4. 调整项目计划，更新WBS和甘特图（1周内） 5. 通知所有干系人

风险2：多用户并发与数据隔离

应对措施：

推荐策略：一期采用方案B（2台专用工作站+任务调度），二期根据使用量评估是否升级到方案A或C。

具体措施：

触发条件： - 日均分析任务>10个且平均等待时间>30分钟 - 出现数据越权访问事件 - 用户投诉排队等待严重（月投诉≥3次）

风险3：作物覆盖度不足

应对措施：

作物技能开发内容：

触发条件： - POC阶段某作物分析精度（排名相关性）<0.6 - 用户反馈AI推荐结果与经验判断严重不符（≥3次/月） - 某作物连续2个季度无精度提升

风险4：agrifood-platform连接异常

应对措施：

触发条件：神农团队确认6个月内无法修复，或修复后功能不满足需求。

风险5：数据安全与等保合规

应对措施：

等保测评关键路径： - 第8月：确定测评机构，签订测评合同 - 第9–10月：差距分析与整改 - 第10–11月：正式测评 - 第12月：整改复测，取得报告

触发条件： - 发生数据泄露事件 - 等保测评发现高风险项且无法在1个月内整改 - 监管部门检查发现合规问题

风险6：第三方开发团队能力风险

应对措施：

触发条件： - 连续2个里程碑延期超过2周 - 核心人员离职且替补人员能力不达标 - 代码审查发现严重质量问题（P0缺陷密度>5%） - 团队人员变动率>30%

风险7：需求变更风险

应对措施：