智农AI：面向小农户的AI农业决策支持平台设计科学研究

农业 AI 长期停留在单一识别工具的阶段：拍一张照片判断病害，或者查一次天气。这份资料关心的是下一步：把这类零散能力整合成农民真正用得上的决策支持系统。摘要开篇提到，人工智能正从单用途的农业识别工具，转向连接信息获取、诊断等环节的一体化决策支持系统。对做农业信息化或 AI 落地的人来说，这种从“工具”到“系统”的转向正是当下值得看的地方，而这份资料提供的并不是产品宣传，而是一个设计科学视角下的案例研究。

研究对象是智农 AI 农业决策平台（Zhinong AI Agricultural Decision Platform），一个面向农民的系统。分析所依据的材料来自公开项目资料、政策背景，以及此前关于智慧农业、机器学习和设计科学的研究，走的是设计科学案例研究的路子：先描述平台这个人工物是怎么构造的，再讨论它的设计与治理。换句话说，它不报告田间试验数据，也不做算法性能对比，重点在于系统如何被设计和论证。

平台的覆盖面相当宽，把农业信息推送服务、自然语言问答、基于图像的作物病害诊断、地块与农事日历管理、工作流编排、海南自由贸易港农业服务专区，以及适老化关怀模式，都放进了同一个面向农民的入口。这意味着它试图把查信息、问问题、看病虫害、记农事这几件事接到一起，而不是各自做一个 App。资料据此构建了分层系统架构，并给出一个闭环决策过程，概括为感知、分析、规划、执行、反馈五个环节。

除了架构，资料还提出三样偏方法性的东西：功能—痛点映射矩阵、评价指标体系，以及一个治理框架。功能—痛点映射矩阵用于把平台功能逐项对回农户的实际痛点，避免“为做功能而做功能”；评价指标体系回应的是这类综合平台该怎么衡量；治理框架则覆盖数据来源（data provenance）、模型风险、专家审核、隐私和采纳风险。解读一下：这三样东西的组合说明，作者把农业 AI 当作一项需要问责的系统工程，而不只是模型精度问题；尤其专家审核与数据来源两项，直接关系到农户的信任和责任归属。

对实践的影响可以这样理解。闭环中的“反馈”环节和治理框架里的采纳风险放在一起，隐含的判断是：农业决策系统的成败不取决于单点识别准不准，而取决于农户是否真的采纳、流程是否闭合。功能—痛点映射矩阵这类工具，对正在做农业数字化项目的团队有直接的复用价值，它提供了一种在需求阶段就做减法的模板。同时，把适老化模式与区域服务专区写进系统设计，说明面向小农户的产品需要考虑使用门槛和地区性服务资源，而不能只考虑算法能力。

这份资料更适合关注 AI 落地方法的研究者、农业信息化项目的设计与产品人员，以及需要为模型类系统搭建治理框架的人读。读完能拿走的是一套结构：分层架构、五环节闭环、功能—痛点映射、评价指标与治理清单，可以对着自己的项目逐项比对。边界也要说清楚：它基于公开项目资料与政策背景做设计科学案例分析，不是实证效果评估；资料目前的被引次数为 0，同行检验还很有限。所以把它当作设计思路与治理框架的参考，而不是效果证据。