为什么要做“林业 × 数据 × AI”
不是追逐一个新标签，而是把林业现场、数据工作流和教学实践连接成长期可复用的公开记录。
我长期从事林学、森林培育方向的教学和研究。竹类、橡树、杨树、马尾松、土壤和微生物数据，看起来分散，背后却有一个反复出现的问题：专业工作如何从一次性的经验，变成可以检查、复用和改进的方法？
AI 不是起点，林业问题才是
如果没有真实的研究对象和教学任务，AI 很容易变成漂亮但空泛的演示。林业现场告诉我们问题在哪里：样地和处理是否可比，指标是否有生物学意义，物种和立地条件是否被正确理解，结论能否回到证据。
我更关心 AI 能否参与这些具体环节：整理证据、检查资料边界、把分析固化成工作流、为学生提供结构化反馈，或让分散的林业知识更容易检索。
数据工作流让经验可以复查
Python、R、Linux 和 Snakemake 的价值，不只是提高运行速度。它们可以保存输入、版本、参数、日志和结果之间的关系，让下一次分析不必从记忆开始，也让失败更容易定位。
这也是我建设扩增子规范流程、林学英语词表和证据写作记录的共同出发点：把“做过”推进到“别人能够理解，我自己以后能够重现”。
教学让技术接受真实检验
学生不会因为系统使用了大模型，就自然学会做方案。一个教学工具仍然需要任务结构、评价量规、反馈边界和教师责任。林培智师项目促使我把“AI 能输出什么”换成另一个问题：“怎样的反馈能让学生完成一次有意义的修改？”
这个网站记录什么
iForestry 会记录四类内容：林业研究与现场、数据与生物信息学、AI 在林业中的具体实践、教学与免费知识资源。
我会尽量写清每个项目已经完成什么、用什么证据验证、还有哪些局限。这里不追求把所有经历包装成成果，也不提供新闻转载或有偿服务。它首先是一份持续更新的个人专业记录。