El monitoreo inteligente de la fauna en peligro y rara es importante para la conservación de la biodiversidad. En el monitoreo práctico, hay pocos datos de animales disponibles para entrenar algoritmos de reconocimiento. Por lo tanto, el sistema debe lograr una alta precisión con recursos limitados. Al mismo tiempo, los zoologistas esperan que el sistema sea capaz de descubrir especies desconocidas para hacer descubrimientos significativos. Hasta la fecha, ninguno de los algoritmos actuales tiene estas capacidades. Por lo tanto, este artículo propone un método KI-CLIP. En primer lugar, al introducir CLIP, un modelo de aprendizaje profundo fundamental que aún no se ha aplicado en campos animales, se explota la poderosa capacidad de reconocimiento con pocos recursos de entrenamiento mediante una red superficial adicional. En segundo lugar, inspirado en las habilidades de reconocimiento de imágenes únicas de los zoologistas, incorporamos textos de descripción de expertos fácilmente accesibles para mejorar el rendimiento con pocas muestras. Finalmente, se diseña un simple módulo de aprendizaje incremental para detectar especies desconocidas. Realizamos extensos experimentos comparativos, experimentos de ablación y estudios de caso en 12 conjuntos de datos que contienen datos reales. Los resultados validan la efectividad de KI-CLIP, que puede ser entrenado en múltiples escenarios reales en segundos, logrando en nuestro estudio más del 90% de precisión en el reconocimiento con solo 8 muestras de entrenamiento, y más del 97% con 16 muestras de entrenamiento. En conclusión, KI-CLIP es adecuado para el monitoreo práctico de animales.