面向农业咨询的对话式 AI 微调与评估

大语言模型在农业咨询领域展现出巨大潜力，但原始模型常出现建议不实、泛泛而谈缺乏具体可操作细节，以及与小农需求不符的沟通方式。在农业场景中，推荐准确性直接影响农户收益，这些局限性制约了其负责任的部署。我们提出一种混合式 LLM 架构，通过解耦事实检索与对话交付：采用 LoRA 对专家精选的 GOLDEN FACTS（原子化、经验证的农业知识单元）进行监督微调，以优化事实召回率；同时设计独立的拼接层，将检索到的事实转化为符合文化背景且注重安全的回复。我们的评估框架 DG-EVAL 进行原子化事实验证（衡量召回率、精确率和矛盾检测），其基准为专家精选的真实标签，而非维基百科或检索文档。在印度比哈尔省的作物与查询实验中，针对精选数据的微调显著提升事实召回率和 F1 分数，同时保持高相关性。使用微调后的小型模型可在不占用前沿模型资源的情况下实现相当或更好的事实质量。拼接层进一步提升安全性子指标，同时保持高水平的对话质量。我们发布了 farmerchat-prompts 库，以实现领域特定农业 AI 的可复现开发。