1. 创意名称 + 创意介绍
创意名称：今日渔情
我想解决的是野钓中的一个真实问题：钓鱼人到水边后，最难判断的不是“天气怎么样”，而是今天这片水值不值得钓、该钓深还是钓浅、什么时候是窗口、为什么昨天爆护今天空军。
想到做这个，是因为钓鱼经验长期靠口口相传，天气 App 只能给宏观数据，探鱼器更偏“找鱼”，但很少有工具能把现场环境、鱼种习性、钓法经验和钓后结果串成一次可解释的决策。
Fishing Copilot 是一套 AI 鱼情决策系统：ESP32-C3 通过 BLE 采集水温、光照、气温、湿度、气压五项现场数据，Web 鱼情驾驶舱展示判断结果，后端规则引擎先算出鱼情活跃度、短板因子、最佳窗口和作钓建议，LLM 只负责把依据讲成人能听懂的话。
2. 目标用户及痛点
目标用户是自然水域野钓爱好者，尤其是新手到进阶钓友。他们通常会在到达钓点、准备开钓、临时换钓法、钓后复盘时使用这个系统。
如果没有 Fishing Copilot，用户现在往往只能看天气、问钓友、凭经验试错。问题是：天气预报离“脚下这片水”太远，老钓友经验不一定适合当前鱼种和水情，钓后记录也很难沉淀，今天空军的原因下次依然说不清。
这个项目把这些分散信息收进同一条链路：硬件实测现场环境，规则层给出可复算判断，AI 解释“为什么这样钓”，钓后记录还能被结构化为后续样本。
3. 价值与意义
效率价值上，Fishing Copilot 能减少盲目试错。用户不用只靠感觉反复换钓层、饵料和时间点，而是先看到当前鱼情的主要短板，例如水温、光照、气压趋势或急性应激，再决定要不要出钓、怎么调整策略。
长期价值上，它把原本散落在天气、论坛帖、语音记录、专家经验和传感器里的信息，整理成可积累的数据。一次出钓不再只是“钓到了”或“空军了”，而是变成一条可以回看、解释和校准的样本。
4. 当前完成度与亮点
目前项目已经完成 Web 鱼情驾驶舱、ESP32 五项环境数据 BLE 接入、规则引擎、LLM 解释层、零摩擦录入、最近记录、轻反馈、最佳出钓时间和固定回归样本。
我最想展示的亮点是“空军负样本自证”：输入一段真实钓友记录“下午闷热，36℃，一点风没有，路亚翘嘴两小时一口没有”，系统先抽取出高温、闷热、静风等环境因素，再只把环境喂给诊断引擎。模型在不知道“空军”结果的情况下，会独立判出目标鱼活跃度偏低，并触发急性应激门控，判断方向与真实结果一致。
这说明它不是简单让 AI 生成几句建议，而是已经跑通了“现场采集 → 可解释判断 → 钓后记录 → 数据回流”的闭环。
钓鱼助手-Fishing-Copilot-比赛创意方案.html (28.3 KB)