一、问题:农业信息化毕设的两个极端
病虫害防治选题,常见两个极端:
- 纯 CRUD 流:病虫害字典 + 上报表格,功能完整但没有灵魂,答辩问"AI 呢";
- 硬刚图像识别流:非要训练一个病害识别模型,数据集、标注、算力三座大山,期末前大概率烂尾。
中间还有一条更聪明的路:症状描述文本直调大模型 + 本地病虫害字典做知识边界 + 专家确认兜底。不训模型、效果直观、闭环完整,本文拆解这条路的落地。
二、核心一:病虫害字典是 AI 的"知识边界"
大模型什么都知道一点,但农业防治是要负责任的专业建议。设计上先建病虫害字典表(作物 + 名称 + 类型 + 典型症状 + 防治方案 + 危害等级),诊断时把字典内容作为 prompt 上下文喂给大模型:
你是农业病虫害防治专家。作物:水稻。
本作物已知病虫害及防治方案:
【稻瘟病】类型=病害,症状=叶片梭形褐斑...,防治=三环唑喷雾...
【稻飞虱】类型=虫害,症状=稻丛基部聚集小虫...,防治=吡蚜酮喷雾...
农户上报的症状描述:叶尖发黄干枯,有褐色梭形斑...
请给出诊断结论(对应上面哪种病虫害,或判断为未知需实地核查)...
这样 AI 的回答被约束在本地植保站认可的知识范围内,而不是自由发挥,论文里这就是"检索增强思想的轻量实现"。
三、核心二:诊断结果的三处留痕
AI 的回答不直接丢给用户了事,而是三处留痕:
- 上报记录更新 :
ai_diagnosis字段存诊断结论,suggest_pest_id从回答中提取命中的病虫害名并关联字典 ID,自然语言变结构化数据; - 独立日志表 :
ai_diagnosis_log每次调用全量记录(症状输入 + AI 回答 + 建议病虫害),论文"系统测试"章节直接有数据可统计; - 状态机推进:上报记录从"待诊断"推进到"已诊断"。
java
report.setAiDiagnosis(answer);
if ("待诊断".equals(report.getStatus())) {
report.setStatus("已诊断");
}
reportMapper.updateById(report);
// 独立日志表全量记录,可追溯可统计
aiLogMapper.insert(logRow);
四、核心三:AI 建议 ≠ 最终结论(专家确认机制)
这是整个系统伦理与业务的双重兜底 :AI 诊断后,状态推进到"已诊断"而非"已防治",必须由专家确认病虫害并填写防治备注,才流转到"已防治"。
前端交互上就是两个按钮:「AI 诊断」(一键,3 秒出结果)和「确认防治」(弹窗选病虫害 + 填防治备注)。答辩时这一页讲清楚两个原则:
- AI 是辅助决策,最终结论责任在人;
- 农业用药建议错误会造成实际损失,所以诊断与防治之间强制加人工环节。
五、数据与演示
演示库:5 种作物(水稻/小麦/玉米/番茄/柑橘)、19 种真实病虫害(稻瘟病/草地贪夜蛾/柑橘黄龙病,症状与防治方案来自公开植保资料)、42 条上报(症状描述按作物特征撰写,覆盖三种状态)、18 条专家跟进备注。看板五指标:累计上报/待诊断/已诊断/已防治/病虫害类型数。

诊断过程本身也做了可视化升级:点"AI 诊断"后,提示词、模型思考过程、诊断结论三框同屏流式展示,思考框里能看到模型在做鉴别诊断(比如"玉米螟还是草地贪夜蛾"的排除推理),这部分展开写在本系列第二篇。
六、边界:什么时候必须上图像识别
- 农户只能拍照不会描述症状时,文本直调失效,需要图像分类模型(可用预训练模型微调或 CV API,仍然是"站在巨人肩膀上");
- 大面积统防统治需要虫情测报灯等硬件数据接入,物联网方向才考虑;
- AI 诊断置信度承诺要克制:文本诊断天然有歧义,"高/中/低"三档描述比"95.7%"更诚实。
小结
- 不训模型:症状文本直调大模型 + 本地字典做知识边界,一周内可落地;
- 诊断三处留痕:上报记录更新 + 独立日志表 + 状态机推进;
- AI 建议 ≠ 最终结论:专家确认是伦理与业务的双重兜底;
- 演示数据从公开植保资料整理,19 种真实病虫害比编造数据可信十倍;
- 边界诚实:图像识别与物联网是升级方向,不是本期范围。
系列导航(病虫害识别系统三篇)
- 本篇:AI 诊断双轨设计(你在这里)
- 第二篇:流式诊断三框同屏与数据看板五图
- 第三篇:病虫害字典:AI 的知识边界怎么建
本项目含后台源码 + 病虫害知识库数据 + 部署文档,获取方式见置顶文章。评论区扣「植保」聊聊你的农业信息化选题。