Competition Creative Proposal
不是查天气， 是 AI 鱼情决策系统。 可解释、可复算、可进化。
Fishing Copilot 把钓鱼现场拆成一条完整决策链：ESP32 采集真实水边环境，规则引擎给出可复算判断，LLM 只负责解释成教练话术，钓后记录再回流成下一次判断的样本。
Why It Stands Out
它不是“套了 AI 的钓鱼网页”，而是一套能跑通的鱼情决策系统。
真正的亮点不在 UI，也不在单个传感器，而在“现场实测、可解释推理、钓后数据回流”被串成了一个闭环。
现场数据是真的
ESP32-C3 通过 Web Bluetooth 推送水温、光照、气温、湿度、气压五项环境包，前端可以订阅 `FishCopilot-Sensors`，不是只填几项假参数。
硬件交互可信度判断理由能展开
后端规则层先生成分数、活跃度、鱼层、窗口和 reasoning 依据链；LLM 只负责把依据讲清楚，避免“黑盒一句话建议”。
AI 可解释性记录能反哺诊断
散乱论坛帖或语音随记会被抽成环境、行为、结果三层样本，缺口由代码确定性检测，再一键喂回诊断引擎试算。
数据飞轮入口Differentiation
和常见方案一比，差异就出来了。
比赛页需要让评委快速判断“新在哪”。核心差异是：它既不是天气 App，也不是声呐探鱼器，而是把钓鱼经验变成可复算的决策链。
天气 / 气压 App
- 告诉你今天气压、风力、天气。
- 不知道脚下这片水的真实状态。
- 通常只给分数，很少解释为什么。
传统探鱼器
- 偏向“哪里有鱼”和水下图像。
- 不负责解释今天该怎么钓。
- 经验不会自动沉淀成下一次判断。
Fishing Copilot
- 现场硬件实测 + 天气 API + 鱼种知识库一起进入判断。
- 每条建议都有依据链和可信度分层。
- 钓后记录、空军负样本、轻反馈会成为后续迭代燃料。
Best Demo Moment
最强演示不是“点按钮”，而是让系统用负样本自证。
评委最容易记住的瞬间：一条“空军”随口记录进来，系统只拿环境、不知道结果，却独立判出低活跃，方向与真实结果一致。
随口记录空军
“今天下午闷热，36℃，一点风没有，路亚两小时翘嘴一口没有。”这不是整齐表单，而是真实钓友语言。
AI 结构化三层样本
自动拆出 ENV 环境、BEHAVIOR 作钓行为、RESULT 鱼获结果，并把水温、气压等缺口明确标出来。
只喂环境给诊断
模型不知道“空军”结论，只拿闷热、静风、高温这些条件独立判断目标鱼活跃倾向。
预测与真值同向
规则层触发急性应激门控，判出低活跃和不适合出钓，和钓友自报“空军”的地面真值方向一致。
System Architecture
复杂度藏在系统里，不是藏在话术里。
这套系统的工程亮点在于职责分离：硬件负责实测，规则层负责可靠判断，LLM 负责解释，前端负责把结论变成可行动的驾驶舱。
ESP32 环境包
DS18B20 水温、BH1750 光照、BME280 气温/湿度/气压，通过 BLE 进入 Web 端。
限制因子模型
水温、溶氧代理、急性应激作为核心门控，避免简单加权把致命短板平均掉。
LLM 解释层
大模型不参与底层拍板，只把确定性规则输出讲成“为什么这样钓”的教练语言。
回归样本守边界
固定代表场景用于调参后检查旧结论有没有被改坏，体现诚实的工程思维。
Data Flywheel
真正的护城河，是 AI 把钓鱼经验变成可积累的数据。
传统产品很难规模化整理钓友口述、论坛帖、专家视频和现场硬件数据。AI 的价值不是“聊天”，而是把这些低结构信息变成可调用的样本和规则。
Feature Evidence
当前已经不是概念阶段，而是有可演示的功能证据。
页面面向比赛上传，所以这里用评委能快速扫描的方式展示“已经跑通了什么”。
统一鱼情驾驶舱
首页聚合现场诊断、环境速览、影响原因、钓后记录、计划器和大师问答，不再是割裂功能 tab。
影响原因排序
不是给用户看一堆模型参数，而是按作钓价值解释当前状态、对鱼影响和怎么调整。
最佳出钓时间引擎
选鱼种和月份后生成 24 小时活性曲线，夏钓早晚、冬钓正午由同一套热性能逻辑自然涌现。
最近记录与轻反馈
每次完整诊断自动留痕，后续可补鱼获结果、建议执行和判断准度，形成最小闭环。
天气缓存与 BLE 回退
天气 API、LLM、BLE 都有降级路径，现场演示不靠“网络和设备必须完美”。
大师问答合规标注
可基于公开风格生成建议，同时明确标注“风格化建议，非本人言论”，不拿 LLM 冒充真人。