一个农民，用 Codex 管理了 1500 亩地

• 原文链接：https://mp.weixin.qq.com/s/1HNQrgs3Q3lQJqSrZEm7Zg
• 原始素材：OpenAI 官方案例——日本北海道农民 Hiroki Tomiyasu
• 来源：微信公众号 / AI小范儿（转载）
• 发布时间：2026-06-08 23:05
• 获取时间：2026-06-09

核心结论（一句话）

“工具没有行业限制，普通人都能用 AI 解决自己工作里每天重复出现的问题”——日本北海道农民 Hiroki Tomiyasu 用 Codex 把 1500 亩农场的”病虫害识别 / 卫星遥感监测 / 温室 IoT 控制 / 客服机器人”四件事从手工/外包流程改造成了”ChatGPT 学习 + Codex 落地”的个人 AI 工作台；这是 OpenAI 官方案例对”非技术行业 AI 落地”的最强背书。

分类提炼

• 场景：非技术行业 AI 落地 / 农业 AI 全景案例 / 普通人用 AI 解决工作问题
• 标签：#主题/行业落地 #场景/农业 #场景/落地案例
• 类型：行业案例 / 案例转载 + 反思
• 价值层级：⭐（OpenAI 官方案例 + 极致反差——农民 → 1500 亩 → AI 落地）

知识节点（8 个独立概念）

• 农业-AI-全景案例-Hiroki-Tomiyasu：日本北海道农民 / 100 公顷（1500 亩）/ 洋葱+小麦+甜菜 / 没有软件背景却用 Codex 改造 4 个农场工作流；OpenAI 官方案例
• 病虫害多模态识别：拍照片上传 → AI 自动分析叶片状态 + 病虫害特征；替代”自己判断 / 请专家过来看”；是视觉多模态在农业的低成本落地
• 卫星遥感主动监测：把卫星遥感数据接进系统 → 农场每块地的长势/颜色/水分自动监测 → 异常主动提醒；”巡田”被 AI 接管
• IoT 温室远程控制：Codex 帮自己开发 IoT 控制 App → 手机看温度/湿度/设备状态 → 远程调参 + 控制大棚卷帘升降
• 农业知识库客服机器人：农场内部聊天机器人回答设备操作 / 流程执行 / 作物注意事项；RAG 风格在农业场景的低成本落地
• ChatGPT到Codex学习干活二分：ChatGPT = 思考/问答/学习，Codex = 干活/落地；从 ChatGPT 到 Codex 是从”问”到”做”的范式升级
• 先学习再落地普通人AI路径：步骤 1 通过 ChatGPT 学习新知识，步骤 2 通过 Codex 把想法真正做出来；非程序员的 AI 工作流
• 工具低估与行业AI落地反思：研发思维 vs 普通用户思维鸿沟；”工具没有行业/人限制，更像一种新生产力”；反问”你工作里有没有每天重复、却没人解决的问题”

关联图谱

上游（基于 / 来自）

• 原始素材：OpenAI 官方案例《Hiroki Tomiyasu》（chatgptpro.substack.com）
• [[AI时代给人类留了最后一份工作-是农民]]：同是”农民 + AI”主题但视角不同——本篇是 OpenAI 官方案例（一线 AI 落地），那篇是 Brett Goldstein 的 Context Farmer 概念（哲学/战略层）。两个”农民”代表同主线的”案例 vs 战略”两面

下游（应用于 / 验证于）

• [[Agent时代架构师系统能力]]：架构师系统能力的”行业落地”验证——非技术行业也能用 AI 工具系统化改造工作
• [[从Prompt-Context到Harness-工程的三次进化与终局之战]]：Harness 思想不限于研发——农民用的”ChatGPT 学习 + Codex 落地”也是一种简易 Harness

同级（横向 / 并列）

• [[good-ai-pm-bad-ai-pm

  Good AI PM / Bad AI PM]]：AI 时代真正稀缺的是真实业务问题（与本篇”重复出现、没人解决的问题”同主线）

• [[AI-PM核心技能-观测评估与反馈闭环]]：业务问题识别是闭环起点
• [[OpenClaw-vs-Hermes-多-Agent-架构设计]]：多 Agent 架构的另一面——单一 Agent + 真实业务流也能跑
• 各类”AI 落地案例”——本篇作为”非技术行业”代表

正文要点（8 条）

一、北海道的一个农民（Hiroki Tomiyasu）

• 经营 100 公顷（1500 亩）大型农场
• 主要作物：洋葱、小麦、甜菜
• 没有软件公司背景 / 不懂 AI 原理 / 没有技术团队
• 农场主最朴素的需求：把每天重复的事自动化
• 最初像大部分人一样用 ChatGPT 查资料、解决问题、学习新知识
• 接触到 Codex 后情况变了——”如果说 ChatGPT 是帮他思考、做问答，那么 Codex 就开始帮他具体干活了”

二、他用 AI 干了什么（4 个具体场景）

场景 1：病虫害多模态识别

• 拍照片上传 → AI 自动分析叶片状态 + 病虫害特征
• 替代”自己判断原因 / 请专家过来看”
• 对面积上百公顷的农场主意义重大——节省大量时间和精力

场景 2：卫星遥感 + AI 主动监测

• 把卫星遥感数据接进系统
• 农场每块地的长势 / 颜色变化 / 水分自动监测
• 某个区域异常 → 系统主动提醒
• 巡田被 AI 接管

场景 3：IoT 温室远程控制

• Codex 帮自己开发了温室控制系统
• 手机上看到温度 / 湿度 / 设备状态
• 远程调整参数 + 控制大棚卷帘升降

场景 4：农业知识库客服机器人

• 农场内部的聊天机器人
• 回答设备操作 / 流程执行 / 作物注意事项
• 农民遇到问题不用翻手册 / 不用到处问人

三、ChatGPT vs Codex 的”学习/干活”二分

• ChatGPT = 思考、做问答、查资料、学习新知识
• Codex = 具体干活（按你说的把东西做出来）
• 从 ChatGPT 到 Codex 是从”问”到”做”的范式升级
• 两者关系是”先学再做”的递进，不是”二选一”的替代

四、”先 ChatGPT 学习，再 Codex 落地”模式（普通人 AI 使用路径）

普通人能复制这条路径：

1. 通过 ChatGPT 学习新知识、查资料、解决问题
2. 通过 Codex 把想法真正做出来

不这么做 → 专门的外包团队 / 找开发公司 / 投入很大成本 这么做 → 思路打开 + 耐心 + 工具

真正的瓶颈不是技术，是想法和耐心。

五、4 个场景背后的技术栈

每一项都不是”高科技研究”，都是会 ChatGPT 的人就能配出来的现成能力组合。

六、我们都低估了工具

研发思维 vs 普通用户思维的鸿沟：

• “我们很多时候真的是把工具当一个工具在研究，而不是用到我们自己的工作或生活当中去”
• “我们可能会认为这些东西都是研发人员用的”
• “但实际上工具出来之后，它并没有局限什么行业、什么人可以用”
• “它更像一种新的生产力，谁愿意尝试，谁能想到，谁就能用”

七、反问：你工作里那个”每天重复、没人解决的问题”是什么？

真正重要的问题不是”AI 会什么”，而是”我工作里哪些事可以交给它”。

• 网上泛滥的”AI 会什么”文章 ≠ 真正能落地的洞察
• 真正稀缺的是真实业务问题
• “下一个被 Codex 改造的行业，不是什么高科技行业。而是你所在的那个行业。”

八、对 Seetong 团队的启示（从 Seetong 视角看）

虽然这是农业 AI 案例，但核心机制对 Seetong 监控 APP 研发也有借鉴价值：

• “ChatGPT 学习 + Codex 落地”可作为非 Seetong 主力开发者的工具栈补位（运维 / 客服 / 测试工程师也能上手写小工具）
• 4 个场景的本质都是“把每天重复出现的事交给 AI”——团队里重复性工作（截图脚本 / 日志清理 / 设备列表导出 / 报警信息聚合）都值得问一句”能不能 Codex 一下”
• 价值不只是”省时间”，而是”原本需要外包的事现在个人就能做”

写给团队的可借鉴动作（今天就能试）

关键术语索引

• Hiroki Tomiyasu（或 Haroki Tomiyasu）：日本北海道农民，OpenAI 官方案例主角
• Codex：OpenAI 代码 agent，本案例中”具体干活”的主力
• ChatGPT：本案例中”思考/学习”的主力
• 1500 亩 / 100 公顷：农场规模
• OpenAI 官方案例：背书强度——不是小道消息，是 OpenAI 主动采访并发布
• chatgptpro.substack.com：转载原始来源

写作引用建议

• 引用本篇时优先用：”下一个被 Codex 改造的行业不是高科技行业，而是你所在的行业” / “你工作里有没有一个每天重复出现、却一直没人解决的问题” / “ChatGPT 帮学，Codex 帮做” / “工具没有行业/人群限制，更像一种新生产力”

• 强关联引用：[[AI时代给人类留了最后一份工作-是农民]]（同是”农民+AI”但视角：案例 vs 战略）/ [[good-ai-pm-bad-ai-pm

  Good AI PM / Bad AI PM]]（稀缺的是真实业务问题）/ [[Agent时代架构师系统能力]]（系统化能力不限于研发）