贵州
智慧农业这个方向谈了好几年，真正落到省级农业场景里，大部分团队都会卡在同一个地方：Demo 里识别率很高，到了真实田间就各种翻车。黔前智算团队最近和贵州大学联合做了一套面向贵州山地农业的大模型农技系统，走的是产学研验证路线，这篇文章把整个工程过程拆开讲一下，给想做农业 AI 落地的团队做个参考。
一、先讲问题：通用大模型在农业场景的三个坑
第一个坑是知识错配。通用大模型训练语料里以北方大田作物和公开农业资料为主，拿到贵州本地的茶树、烤烟、辣椒、精品果树上，问出来的答案经常驴唇不对马嘴。第二个坑是幻觉。农业用药、施肥这种建议，错一次可能就是一季损失，而通用模型习惯把“听起来合理”的内容说得很肯定。第三个坑是方言和口语。贵州山区农户不会说标准术语，一句“叶子卷起咋个整”，通用 ASR 和 NLP 链路根本接不住。
所以黔前智算团队一开始就没打算直接拿通用模型上线，而是和贵大一起，把“怎么验证、怎么评测、怎么迭代”这件事先立起来。
二、四步验证闭环：场景、数据、模型、落地
整个项目按四步走。第一步是场景和指标定义，先跟贵大和试点基地聊清楚：这次要解决的是哪几种作物、哪几类病虫害、问答要覆盖哪些业务场景，验收指标写死——识别准确率、召回率、问答引用正确率、响应时延、人工复核成本，一项项列出来，避免后面扯皮。
第二步是语料和样本工厂。田间影像、农技手册、地方标准、历史问答日志，全部清洗、标注、脱敏，做版本管理。这部分工作量最大，但也是后面所有模型效果的地基。
第三步是模型选型和对比。在统一评测集上同时跑三类方案：通用基座模型直接用、行业微调模型（LoRA / QLoRA）、传统规则基线。哪类任务用哪个模型、微调多少参数、需要多少样本量，全部出可解释的对比报告，而不是凭感觉拍板。
第四步才是落地。小范围试点上线，配人工复核，通过后再封装成 API、小程序或者私有化版本，持续把难例数据回流。
三、两个核心能力的技术实现
第一个核心能力是病虫害视觉识别。模型输入是手机端拍的叶片、果实或整株照片，输出是病虫害类别、置信度和处置建议。训练数据来自贵大农业学科的田间样本和试点基地实拍，做了数据增强和地域适配。工程上支持私有化部署和离线包，因为贵州很多试点地块网络条件差，不能依赖云端调用。识别结果会同步到区域统计模块，按乡镇、按作物聚合发病趋势，给农技部门用。
第二个核心能力是农技知识问答，本质是一个带引用的 RAG 系统。知识库由种植手册、地方标准、科研论文和专家经验构成，切片后做向量化检索，回答时强制引用来源片段。针对贵州方言和口语化提问，黔前智算团队在 query 侧做了方言归一化和口语改写，让“叶子黄了”“果儿掉得多”这类大白话也能命中正确的知识条目。回答里每一条结论都带出处链接，农技员可以一键核对原文，从机制上压幻觉。
四、私有化部署和工程细节
农业客户对数据敏感，尤其是政府农技平台和合作社，种植数据、地块位置、用药记录都不能上公网。所以整套系统从设计之初就支持本地化部署：GPU 算力可以本地提供，也可以用黔前智算的弹性算力按需调用；模型和知识库整体打包成私有化镜像，交付到客户机房后断网也能跑。
工程上还有一个细节：所有对外能力都封装成 OpenAI 兼容 API，上层无论是微信小程序、农技热线系统还是 IoT 看板，接进来都是标准接口，不用为每个客户重写一遍。
五、现在到哪一步，下一步做什么
目前病虫害识别和农技问答两个模块已经在贵大试验田和部分试点基地跑对照实验，无人机农情巡检模块在贵州茶山场景做遥感和传感器联动验证。验证通过的能力会逐步产品化，复制到更多合作社和县乡农技平台。
回头看这件事最大的体会是：农业 AI 不是模型不够强，而是缺少一套从场景定义到田间验收的工程纪律。高校有场景和数据，企业有算力和工程，两边按验证机制走，比各自闷头做 Demo 走得远。后续黔前智算团队会把评测方法和对比实验报告逐步开源出来，感兴趣的同行可以一起交流。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
