Ingeniería rápida de Shamba-MedCare: proyecto inspirado en la experiencia agrícola del equipo y en los avances de las herramientas inteligentes, Shamba-MedCare es una solución sencilla para el diagnóstico de enfermedades de plantas mediante IA diseñada para agricultores reales.

Contexto técnico: la aplicación almacena las claves API en el almacenamiento local del navegador para mantenerlas privadas hasta el lanzamiento público. Cuando en el texto aparece LLM me refiero mayormente a Claude aunque uso el término LLM por ser genérico y poder adaptar la solución a cualquier modelo de lenguaje grande.

La experiencia con prompts: mi primer prompt fue demasiado simple y provocó respuestas largas y académicas poco útiles para un agricultor. Para obtener diagnósticos estructurados, accionables y conscientes del presupuesto fue necesario iterar mucho.

Arquitectura y estrategia de prompts: en la práctica importan dos prompts: el system prompt que define la personalidad y el análisis prompt que le dice al modelo qué hacer con la imagen. Creé la persona Shamba, un patólogo agrícola experto que analiza imágenes para identificar enfermedades, plagas y deficiencias nutricionales en más de 50 cultivos y que conoce tratamientos tradicionales y modernos, con recomendaciones prácticas para agricultores con recursos limitados.

Directrices de Shamba: siempre incluir al menos un tratamiento gratuito o tradicional; describir dónde aparecen los síntomas para poder mapear visualmente; ser claro sobre la incertidumbre usando puntuaciones de confianza; recomendar ayuda profesional en casos severos. Esa instrucción explícita evitó que el modelo priorizara siempre productos comerciales caros.

Problemas y soluciones encontradas: el intento inicial de obtener salida estructurada en JSON funcionó en la mayoría de casos pero a veces venía rodeado de texto o de código en markdown y rompía el parser. La solución combinó una instrucción estricta para devolver solo el objeto JSON validado y un backend que limpia entradas: elimina fences de markdown, extrae JSON de texto y valida contra el esquema esperado.

Descripción de regiones afectadas: para generar mapas de calor fue necesario que el modelo describiera con precisión dónde está el daño. Pedí descripciones claras usando localizaciones relativas como esquina superior, centro, borde; porcentaje de cobertura; y dirección de propagación. Ese esquema permitió luego dibujar overlays de calor sobre la foto.

Conciencia del coste de tratamientos: el modelo no tiene noción de presupuesto por defecto y a veces priorizaba soluciones costosas. Definí un orden exacto de presentación de tratamientos: 1 FREE TIER remedios tradicionales y caseros; 2 LOW COST soluciones básicas; 3 MEDIUM COST productos orgánicos comerciales; 4 HIGH COST productos sintéticos o profesionales. Cada nivel debe incluir al menos una opción válida si aplica, con ingredientes, modo de aplicación y disponibilidad.

Estrategia según la parte de la planta: distintos órganos revelan problemas diferentes, por eso el prompt de análisis se adapta según la parte enviada. Para hojas se solicita buscar patrones de color, formas de manchas, enrollamiento y recubrimientos; para raíces se pide evaluar color, textura, presencia de agallas o pudrición. Enfocar la inspección mejora mucho la precisión frente a pedir simplemente que busque 'algo malo'.

Estructura final del prompt: el system prompt define a Shamba y sus reglas; el analysis prompt pide validar la imagen, dar una puntuación de salud (0-100), identificar posibles enfermedades con un factor de confianza, detallar regiones afectadas para el mapa, listar tratamientos por nivel de coste con FREE obligatorio y ofrecer consejos de prevención. La salida debe respetar un esquema predefinido para facilitar el parseo y la visualización.

Lecciones aprendidas: comenzar definiendo primero el formato de salida habría ahorrado refactors posteriores, especialmente para la función de heatmap; probar con fotos malas desde el inicio es crítico porque las imágenes de desarrollo suelen ser limpias y las fotos reales de campo son borrosas, con sombras y múltiples problemas simultáneos; añadir robustez en la ingesta y en el parsing fue esencial.

Implementación y desarrollo: el proyecto evolucionó desde prompts ingenuos a una arquitectura que mezcla una persona de sistema sólida, prompts de análisis especializado, validación backend y una jerarquía de tratamientos orientada al presupuesto del agricultor. El código fuente y las pruebas iterativas fueron clave para alcanzar fiabilidad en escenarios reales.

Sobre Q2BSTUDIO: en Q2BSTUDIO somos una empresa dedicada al desarrollo de software y aplicaciones a medida, especialistas en inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios de inteligencia de negocio y soluciones como agentes IA y power bi. Si buscas crear una solución similar a Shamba-MedCare o integrar capacidades de IA en tu negocio, podemos ayudarte a diseñar aplicaciones a medida y a desplegarlas con prácticas de seguridad robustas y escalado en la nube. También ofrecemos servicios de inteligencia artificial para empresas, consultoría en ia para empresas, integración de agentes IA y desarrollo de cuadros de mando en power bi para inteligencia de negocio.

Palabras clave integradas: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA y power bi para mejorar el posicionamiento y conectar la tecnología con necesidades reales de campo.

Si quieres saber más sobre cómo adaptamos prompts, validamos salidas JSON, diseñamos capas de tolerancia a entradas pobres y priorizamos tratamientos accesibles para agricultores, en Q2BSTUDIO podemos acompañarte desde la idea hasta el despliegue en producción con soporte en ciberseguridad, cloud y analítica avanzada.