在农残筛查里，最让人不安的样品不是被标成高风险的那些，它们反正要送检；最让人不安的，是被标成“低风险”、直接放行的那一个。纵横国际官网讨论光谱 AI 与实验室的分工，就从这个样品说起：筛查模型能把送检顺序排得多好，取决于它放过的样品里，有多少其实带着残留。
先摆出场景。收货口一天到 200 个样品，实验室一天能完成确认分析的只有 30 份上下（数字为示意）。光谱 AI 要回答的是这 30 个名额怎么分，整条流程可以写成：
- 样品到货
- 光谱采集与校正
- 风险概率
- 放行、复测或送检
- 前处理与上机
- 对照限量得出结论
- 结果回流复盘
分流这一步：概率、两个阈值和一条队列
高光谱、近红外或 SERS 的原始光谱，要先用白板与暗参考校正成反射率，经预处理再进入模型。模型给出风险概率，两个阈值把样品切成三段：低于下阈值的放行；夹在中间的是不确定区，安排复测，比如换个角度重新扫描，或用另一种方式补测；高于上阈值的，按概率从高到低排进实验室队列。当天 200 个样品里，也许 150 个左右放行，20 个左右落进不确定区，其余 30 个左右排队送检（示意）。
两个阈值放在哪里，是业务决策。实验室通量充裕、漏检代价高的场合，下阈值要压得低，让更多样品进入复测和送检；通量紧张时，就得接受更高的漏检风险。模型提供的是排序与概率，替不了这个选择。不确定区与拒识的做法，可以对照AI 农残检测为什么要输出概率。
光谱信号很弱，模型学到的可能是别的东西
农药残留在样品里是痕量，光谱上那点吸收特征，要和水、糖、色素、蜡质这些基质成分的强吸收叠在一起。模型在实验室加标样品上能分开“有”和“无”，未必因为它看见了农药。加标样品常常在同一天、同一批果实上制备，成熟度、光照、仪器状态与标签绑在一起，模型学到的就成了批次。加标方式也和田间不同：溶液喷洒后晾干，与真实施药后经历的渗透、降解和风雨过程并不一样。
对策比较朴素：阴性与阳性样品要跨批次、跨日期采集，验证用完全独立的批次；走 SERS 路线的，还要盯住纳米基底的一致性和重复性，实验室检出限再低，复杂基质里也未必守得住。光谱里究竟能找到哪些信号，高光谱如何寻找农残异常信号一文有更细的说明。
对照：快速筛查与实验室确认
| 维度 | 光谱 AI 快速筛查 | 实验室确认（GC-MS/MS 或 LC-MS/MS） |
|---|---|---|
| 回答的问题 | 这个样品有多大概率需要送检 | 有没有目标农药，含多少 |
| 单个样品耗时 | 采集与推理以秒到分钟计，可整批覆盖 | 前处理加上机明显更长，还要排队 |
| 能否指认具体农药 | 通常只给“异常”或粗分类 | 靠保留时间与特征离子对定性，可一次覆盖大量目标物 |
| 定量依据 | 校准模型回归，带着模型自身的误差 | 基质匹配校准曲线，过程可追溯 |
| 对基质的敏感 | 换水果、换季节都要重新验证 | 有基质效应，但可用基质匹配校准修正 |
| 出错的代价 | 漏检让阳性样品被放行；误报只多占一个名额 | 结果是合规判定的依据，须按法定方法出具 |
| 结果的用途 | 排序与分流 | 对照适用限量得出合规结论 |
实验室的活：前处理、质谱和限量对照
实验室做的事，一件也绕不过去。样品先经 QuEChERS 一类的前处理，溶剂提取、盐析分层、再净化，把农药从果蔬基质里分离出来。之后按目标物性质选仪器：热稳定又容易气化的走 GC-MS/MS，极性强、遇热易分解的走 LC-MS/MS，目标物范围大时两套仪器常常并用。同样浓度的农药，在不同水果的提取液里出峰强弱可以不一样，共存成分对离子化的抑制或增强就是基质效应，常用基质匹配校准来修正，批次里还要加入空白与加标回收做质量控制。
最后一步才是对照限量：结果是否超标，要看 GB 2763《食品中农药最大残留限量》的现行版本，以及适用的法定检验方法。这条链上每一环都有可追溯的记录，光谱模型给出的概率补不上其中任何一环。
筛查模型自己也要被验证
先看文献里的问题清单。2026 年一篇机器学习辅助光谱法检测食品农残的综述，把常见局限归到几处：样品多来自实验室加标，数据集偏小，基质一复杂干扰就重，各研究的验证方式不统一，计算开销大，走出实验室的田间验证也很有限。2025 年底有研究用 SERS 与支持向量回归检测果汁中的多种农药，单一与混合农药的回收率约为 94.2%–106.1%；条件是相对简单的基质加标，这个成绩不能直接推到任何真实样品。2026 年 7 月发表的一项番茄表面农药残留研究，用高光谱成像加机器学习同时做分类与定量，同样要过独立批次和换基质这两关，换了水果为什么会失效，见同一种农药换水果后模型为何失效。
再算一笔基率的账（示意）。一周约 1000 个样品，假设真正带残留的只占 2%，即 20 个；模型召回 90%，对干净样品的误报率 5%。结果是抓到 18 个，漏掉 2 个；980 个干净样品里约有 49 个被误报。送检名单共 67 个，真阳性约 18 个，只占 27% 左右。误报无非多占几个名额，漏掉的 2 个才是真正的代价，所以评价筛查模型时要把漏检率排在前面，同时盯住阳性率的变化，它一动，名单里真阳性的比例就跟着动。
日常验证可以这样做：
- 验证集来自独立批次与独立季节，遇到新的水果，按新基质重新标定。
- 实验室定期随机插入已知阴性与阳性的盲样，检验整条流程。
- 每个季度把漏检样品（模型判低风险、实验室却检出）单独拉出来复盘，误报可以容忍，漏检必须逐个解释。
- 实验室结果回流成为新的训练标签，模型更新前后各做一次同批对照。
实验室确认异常之后，下一个问题是这批货从哪里来，可以接着看农残来源追踪。至于筛查这一侧，值得追问的是：上个季度漏检的样品，光谱上有没有共同点？这个答案比平均准确率更能说明问题。