第 13 章：农业大模型应用

六月的湖南常德，水稻种植大户老周蹲在田埂上，揪下一片发黄的稻叶仔细端详。叶片上隐约可见褐色斑点，他拿不准是稻瘟病还是纹枯病——两种病的用药方案完全不同，错过了窗口期，一季的收成可能折损三成。三年前，他得骑摩托车跑20公里去镇上找农技站。两年前，他在微信群里等专家回复，运气好也要半天。现在，他掏出手机拍了一张叶片照片，对着麦克风说了句"这稻叶怎么回事"，10秒钟后屏幕上显示出诊断结果：稻瘟病（叶瘟），置信度92%，推荐用三环唑或稻瘟灵防治，当前气温28度适合施药，建议3天内完成喷洒。 老周不是在用搜索引擎查资料，他手里是一位永远在线、熟记上千种病虫害图谱、了解当地气候土壤、还会用家乡话回答问题的AI农技专家。这不是原型Demo，而是2025年已经在超过200个农业县部署的日常。

13.1 场景开篇：手机里的"AI农技专家"

上述场景折射出中国农业长期以来的一个核心矛盾：2亿农户的农技需求，由不到50万基层农技人员承接。 供需之间差了整整40倍。

传统农技服务的痛点一目了然：

大模型技术的独特价值在于：它首次让自然语言交互成为农业信息化的入口。不需要学会操作复杂的软件，不需要理解专业术语——农户只需拍照、说话，就能获得专业级的农技服务。这种"零门槛"的交互方式，是过去二十年农业信息化尝试都未能解决的最后一公里问题。

13.2 行业全景

农业大模型的特殊地位

农业是大模型落地最"难"也最"值"的行业之一。

难在三个维度：

1. 用户数字素养低：中国2亿农户中，50岁以上占比超过60%，智能手机使用能力有限
2. 基础设施薄弱：农村网络覆盖率虽已达98%以上，但田间地头弱网、离线场景普遍
3. 数据极度分散：土壤、气象、品种、农事操作数据分布在农业农村部、气象局、科研院所等不同体系

值则在于：

1. 刚性需求强：病虫害误判导致的损失是实打实的真金白银
2. 政策红利大：2025年中央一号文件明确提出"发展智慧农业，推进农业大模型应用"
3. 市场空间广：中国智慧农业市场规模2025年突破1100亿元，预计2026年达1400亿元，年均增速超过25%

农业大模型应用成熟度矩阵

代表性企业与产品

中国农业大模型领域已涌现出一批代表性产品：

13.3 核心应用场景

精准农业与农事决策

精准农业的核心是**"四情监测"——苗情、墒情、病虫情、灾情**。大模型将原本分散的监测数据转化为可执行的农事决策。

传统精准农业的瓶颈：传感器、无人机、卫星都在产生数据，但数据只是"躺在仪表盘上"。农户看到一张NDVI（归一化植被指数）热力图，不知道该怎么行动。

大模型的突破：将遥感数据、气象数据、土壤数据、品种特性融合，生成农户能直接执行的"农事处方"。

遥感影像(卫星/无人机)  →  作物长势分析  ──┐
                                           │
气象数据(温度/降水/日照) →  气象风险评估  ──┼─→ 大模型综合决策
                                           │   → 农事处方单
土壤数据(IoT传感器)    →  墒情/养分分析  ──┤   (何时施肥/灌溉/打药)
                                           │
历史农事记录           →  经验知识匹配  ──┘

典型案例：某南方水稻产区接入大模型后，系统根据当周气象预报（连续3天阴雨）、土壤湿度（偏高）、水稻生育期（分蘖盛期），自动推送预警："未来3天阴雨，田间湿度大，易发稻瘟病。建议明天放晴后喷施三环唑预防，同时适度晒田降低水位。"这种将多维数据综合为一条可操作建议的能力，是规则引擎无法实现的。

病虫害检测与处方推荐（多模态）

这是农业大模型落地最广、价值最直观的场景。

技术链路：

农户拍照/拍视频
       ↓
┌──────────────┐
│  多模态识别层  │ → 图像编码器(CLIP/ViT)
│              │ → 病斑分割 + 特征提取
└──────┬───────┘
       ↓
┌──────────────┐
│  知识检索层    │ → 病虫害知识库(RAG)
│              │ → 药剂数据库 + 抗药性数据
└──────┬───────┘
       ↓
┌──────────────┐
│  处方生成层    │ → 结合气象/生育期/地区
│              │ → 用药方案 + 注意事项
└──────┬───────┘
       ↓
 诊断报告 + 防治处方（语音+文字）

关键能力：

• 图像识别：基于大规模病虫害图像数据集微调的视觉模型，覆盖主要作物1000+种病虫害，Top-3识别准确率超过95%
• 处方个性化：不只给出"什么病、用什么药"，还结合当地抗药性数据、气象条件、作物生育期给出差异化方案
• 多轮追问：农户可以追问"这种药和上次用的能混配吗""打完药多久能采收"，系统基于上下文连续回答

实际效果：某省植保系统接入AI诊断后，基层病虫害识别准确率从54%提升至89%，平均诊断时间从2.3天缩短至30秒，农药使用量减少18%（更精准的对症下药减少了重复施药）。

产量预测与市场分析

产量预测是农业大模型的高价值场景，直接影响政策制定、粮食安全和农户收益。

传统方法的局限：

大模型融合方法的核心思路：不发明新的预测模型，而是用LLM作为"调度中枢"，融合多种专业模型的输出，并加入非结构化信息（政策变化、国际市场动态、极端天气预报等）进行综合研判。

市场分析方面，大模型可以：

• 聚合全国农产品批发市场价格数据，预测价格走势
• 分析国际大宗商品行情对国内农产品的影响链路
• 为种植大户提供品种选择和上市时机建议

智慧养殖

养殖业是大模型正在快速渗透的领域。与种植业不同，养殖场景更需要持续监测+实时预警。

核心应用：

典型案例：某万头猪场部署AI系统后，通过摄像头+声音传感器持续监测猪群状态。系统发现某栏猪只采食量下降12%、活动量减少8%，结合当天气温骤降10度，LLM推理判断为"冷应激初期风险"，自动推送预警并建议调整通风和供暖参数。饲养员2小时内完成处置，避免了一场可能导致3-5%死亡率的呼吸道疾病爆发。

13.4 技术架构深度解析

多Agent协作架构

农业场景的复杂性在于，一个农户的提问往往涉及多个专业领域。比如"我家的水稻叶子发黄了，是不是缺肥"——这需要综合图像识别（什么病）、土壤分析（是否真的缺氮）、气象数据（是否积水导致根系缺氧）等多个维度的判断。

多Agent架构是处理这类复杂查询的最佳方案：

                    ┌───────────────────┐
                    │   对话管理Agent    │
                    │  (意图识别+路由)   │
                    └────────┬──────────┘
                             │
              ┌──────────────┼──────────────┐
              ↓              ↓              ↓
     ┌──────────────┐ ┌──────────────┐ ┌──────────────┐
     │ 植保诊断Agent │ │ 气象分析Agent │ │ 土壤分析Agent │
     │              │ │              │ │              │
     │ · 图像识别   │ │ · 天气查询   │ │ · 墒情分析   │
     │ · 病害匹配   │ │ · 风险评估   │ │ · 养分诊断   │
     │ · 药剂推荐   │ │ · 农时建议   │ │ · 施肥建议   │
     └──────┬───────┘ └──────┬───────┘ └──────┬───────┘
              │              │              │
              └──────────────┼──────────────┘
                             ↓
                    ┌──────────────────┐
                    │   决策汇总Agent   │
                    │  (综合分析+处方)  │
                    └────────┬─────────┘
                             ↓
                    ┌──────────────────┐
                    │   交互输出Agent   │
                    │  (语音/文字生成)  │
                    └──────────────────┘

设计要点：

1. 意图路由：对话管理Agent首先判断用户问题涉及哪些领域，按需激活对应的专业Agent，避免不必要的调用
2. 并行调用：多个专业Agent可以并行执行（如同时查气象和检索病虫害知识库），减少响应延迟
3. 冲突消解：当不同Agent给出矛盾建议时（如植保Agent建议立即打药，气象Agent预报即将下雨），决策汇总Agent负责综合判断
4. 上下文传递：用户的地理位置、历史农事记录、当前种植品种等上下文信息在Agent间自动传递

遥感+IoT+LLM融合

农业数据的"三驾马车"——遥感数据（宏观）、IoT数据（微观）、知识数据（经验）——如何融合是大模型农业应用的核心技术挑战。

┌─────────────────────────────────────────────────────────────┐
│                      数据融合层                              │
│                                                             │
│  遥感数据源              IoT数据源            知识数据源     │
│  ──────────             ──────────           ──────────     │
│  · 卫星影像(哨兵/高分)   · 土壤温湿度传感器   · 农技知识库   │
│  · 无人机航拍           · 气象站数据          · 品种数据库   │
│  · NDVI/EVI指数         · 水肥一体化传感器    · 病虫害图谱   │
│  · 地块边界识别         · 摄像头视频流        · 农事历       │
│       ↓                      ↓                    ↓        │
│  ┌─────────┐          ┌─────────┐          ┌─────────┐     │
│  │遥感分析  │          │IoT数据   │          │RAG检索  │     │
│  │小模型    │          │聚合引擎  │          │引擎     │     │
│  └────┬────┘          └────┬────┘          └────┬────┘     │
│       └──────────┬─────────┴──────────────────┬┘           │
│                  ↓                              │            │
│         ┌────────────────┐                     │            │
│         │  结构化数据层    │ ← 统一数据格式       │            │
│         │  (JSON/时序)    │                     │            │
│         └────────┬───────┘                     │            │
│                  ↓                              │            │
│         ┌────────────────┐                     │            │
│         │  LLM 推理引擎   │ ←───────────────────┘            │
│         │  (农业大模型)    │                                  │
│         └────────┬───────┘                                   │
│                  ↓                                           │
│         农事决策输出                                          │
│         (诊断报告/处方单/预警信息)                              │
└─────────────────────────────────────────────────────────────┘

融合策略：

• 遥感数据通过专门的小模型（如U-Net分割模型）转化为结构化指标：作物长势等级、受灾面积、地块产量估算等
• IoT数据通过时序聚合引擎处理为趋势指标：过去7天土壤湿度变化、气温异常波动等
• 知识数据通过RAG提供专业领域知识：某品种在特定生育期的水肥需求、某病虫害的流行条件等
• LLM接收以上三类结构化输入，结合自然语言问题，生成综合分析和可执行建议

轻量化部署（弱网/离线场景）

农业场景的部署挑战是所有行业中最极端的：田间地头没有Wi-Fi，4G信号时有时无，农户不会等待一个需要"连接服务器"的应用。

三层部署架构：

┌──────────────────────────────────────────────────────┐
│  云端（省/市级农业平台）                                │
│  · 全量农业大模型(7B-14B)                              │
│  · 全量知识库 + 遥感数据处理                            │
│  · 模型训练与更新                                      │
└─────────────────────┬────────────────────────────────┘
                      │ 定期同步(Wi-Fi环境)
                      ↓
┌──────────────────────────────────────────────────────┐
│  边缘节点（村委会/合作社服务器）                         │
│  · 量化小模型(1.5B-3B, INT4量化)                       │
│  · 本地病虫害知识库（核心150种）                         │
│  · 气象缓存 + 基础IoT数据处理                           │
└─────────────────────┬────────────────────────────────┘
                      │ 本地调用(蓝牙/局域网)
                      ↓
┌──────────────────────────────────────────────────────┐
│  终端设备（农户手机/平板）                              │
│  · 超轻量推理(TFLite/ONNX Mobile)                     │
│  · 离线病虫害图像识别（Top-50常见病虫害）                │
│  · 语音交互(本地ASR+TTS，支持方言)                     │
│  · 数据采集(拍照/录音) → 弱网时本地缓存                 │
└──────────────────────────────────────────────────────┘

关键技术决策：

语音优先交互设计

农业大模型必须语音优先，原因很简单：大量农户识字有限，打字困难，但"说话"是零门槛的操作。

语音交互链路：

农户语音输入(方言)
       ↓
┌──────────────────┐
│  本地ASR引擎      │ → Whisper-small微调方言模型
│  (语音→文字)      │ → 支持四川话、湖南话等8种方言
└──────┬───────────┘
       ↓
┌──────────────────┐
│  LLM理解与推理    │ → 意图识别 + 知识检索 + 回答生成
└──────┬───────────┘
       ↓
┌──────────────────┐
│  本地TTS引擎      │ → 自然语音合成
│  (文字→语音)      │ → 控制语速（默认慢于标准TTS 20%）
└──────────────────┘

设计原则：

1. 方言适配：核心ASR模型需在当地方言语料上微调，识别率需达到90%以上才能交付使用
2. 语速适配：TTS默认语速比标准慢20%，关键信息（药名、用量、时间）自动重复两遍
3. 多轮交互简化：避免复杂追问，一次交互尽量给出完整答案。必要时主动追问："您种的是早稻还是晚稻？这会影响用药量。"
4. 关键信息确认：涉及用药剂量、施药时间等关键信息，系统主动要求确认："我再说一遍，每亩用三环唑100克，兑水30公斤喷雾，您听清楚了吗？"
5. 图文辅助：语音回答的同时在屏幕上显示诊断结果图片和文字要点，兼顾不同偏好

13.5 实战案例：农作物病虫害智能诊断系统

需求分析与数据准备

某南方水稻主产区农业技术推广中心的需求：

• 用户：全区3.2万农户，覆盖5个县市
• 输入：手机拍照（叶片/穗部/全株）+ 语音/文字描述
• 输出：病虫害诊断结果 + 防治处方 + 农事建议
• 约束：田间弱网环境可用、支持当地方言（湘语）、诊断准确率>90%、响应时间<15秒

数据准备：

系统架构设计

农户手机端
  │ (拍照 + 语音)
  ↓
┌────────────────────────────────────┐
│         API网关 / 负载均衡          │
│    (支持HTTP/HTTPS + 弱网重试)     │
└──────────────┬─────────────────────┘
               ↓
┌────────────────────────────────────┐
│         对话管理服务                │
│  · ASR(语音→文字)                  │
│  · 意图识别                        │
│  · 会话状态管理                    │
└──────────────┬─────────────────────┘
               ↓
┌────────────────────────────────────┐
│      Agent编排引擎 (LangGraph)      │
│                                    │
│  ┌───────────┐  ┌───────────────┐  │
│  │图像诊断    │  │知识检索       │  │
│  │Agent      │  │Agent (RAG)    │  │
│  │ViT+CLIP   │  │病虫害知识库   │  │
│  │微调模型   │  │+药剂数据库    │  │
│  └─────┬─────┘  └───────┬───────┘  │
│        └───────┬────────┘          │
│                ↓                   │
│  ┌───────────────────────┐         │
│  │处方生成Agent           │         │
│  │· 综合诊断+检索结果     │         │
│  │· 结合气象/生育期/地区  │         │
│  │· 生成防治方案          │         │
│  └───────────┬───────────┘         │
│              ↓                     │
│  ┌───────────────────────┐         │
│  │输出Agent              │         │
│  │· 语音合成(湘语TTS)    │         │
│  │· 图文结果展示         │         │
│  │· 关键信息确认         │         │
│  └───────────────────────┘         │
└────────────────────────────────────┘
        │                   │
        ↓                   ↓
   推理服务集群         向量数据库
   (Qwen2.5-7B        (Milvus)
    + ViT-Large)

关键代码示例

以下展示病虫害诊断Agent的核心编排逻辑：

from langgraph.graph import StateGraph, END
from typing import TypedDict, List, Optional
from datetime import datetime

class DiagnosisState(TypedDict):
    session_id: str
    user_id: str
    location: str                    # GPS定位（市/县/乡镇）
    image_urls: List[str]            # 用户上传的图片
    voice_text: str                  # 语音转文字结果
    crop_type: str                   # 作物类型（如"水稻-晚稻"）
    growth_stage: str                # 生育期
    visual_diagnosis: dict           # 图像诊断结果
    knowledge_result: dict           # 知识库检索结果
    weather_data: dict               # 当前气象数据
    prescription: dict               # 防治处方
    confidence: float                # 诊断置信度

def image_diagnoser(state: DiagnosisState) -> DiagnosisState:
    """图像诊断Agent：识别病虫害类型"""
    if not state["image_urls"]:
        state["visual_diagnosis"] = {"error": "no_image"}
        state["confidence"] = 0.0
        return state

    results = []
    for url in state["image_urls"]:
        # 调用视觉模型进行病害识别
        detection = crop_vision_model.predict(
            image_url=url,
            crop_type=state["crop_type"],
            region=state["location"]
        )
        results.append(detection)

    # 取置信度最高的诊断结果
    best = max(results, key=lambda x: x["confidence"])
    state["visual_diagnosis"] = {
        "disease_name": best["disease_name"],
        "disease_name_en": best["disease_name_en"],
        "severity": best["severity"],          # 轻度/中度/重度
        "affected_parts": best["affected_parts"], # 叶片/茎秆/穗部
        "confidence": best["confidence"]
    }
    state["confidence"] = best["confidence"]
    return state

def knowledge_retriever(state: DiagnosisState) -> DiagnosisState:
    """知识检索Agent：从知识库获取病虫害详情和防治方案"""
    query = f"{state['visual_diagnosis'].get('disease_name', state['voice_text'])}"

    # 从病虫害知识库检索
    disease_knowledge = rag_engine.search(
        query=query,
        filters={
            "crop_type": state["crop_type"],
            "region": state["location"].split("-")[0]  # 省份级别
        },
        top_k=5
    )

    # 从药剂数据库检索推荐用药
    medication = medication_db.query(
        disease=state["visual_diagnosis"].get("disease_name"),
        crop=state["crop_type"],
        region=state["location"]
    )

    state["knowledge_result"] = {
        "disease_detail": disease_knowledge,
        "recommended_medications": medication,
        "prevention_measures": extract_prevention(disease_knowledge)
    }
    return state

def weather_fetcher(state: DiagnosisState) -> DiagnosisState:
    """获取当前和未来3天气象数据"""
    weather = weather_api.get_forecast(
        location=state["location"],
        days=3
    )
    state["weather_data"] = {
        "current_temp": weather["current"]["temperature"],
        "current_humidity": weather["current"]["humidity"],
        "rain_forecast": weather.get("rain_days", []),    # 未来有雨的日期
        "temp_forecast": weather.get("temp_range", {})     # 温度范围
    }
    return state

def prescription_generator(state: DiagnosisState) -> DiagnosisState:
    """处方生成Agent：综合所有信息生成防治方案"""
    prompt = f"""
    你是一位资深农艺师，请根据以下信息生成病虫害防治处方：

    诊断结果：{state['visual_diagnosis']}
    病虫害知识：{state['knowledge_result']['disease_detail']}
    推荐药剂：{state['knowledge_result']['recommended_medications']}
    当前天气：{state['weather_data']}
    作物信息：{state['crop_type']}，生育期：{state['growth_stage']}
    地区：{state['location']}

    请用通俗易懂的语言生成处方，包括：
    1. 确认诊断结果（什么病/虫）
    2. 推荐用药方案（药剂名称、用量、施药方式）
    3. 施药时间建议（结合天气）
    4. 注意事项（安全间隔期、混配禁忌等）
    5. 后续观察要点
    """

    prescription_text = llm.invoke(
        prompt,
        retrieval_mode="none",  # 已通过RAG获取知识，不需要二次检索
        temperature=0.3          # 低温度保证输出稳定性
    )
    state["prescription"] = {
        "text": prescription_text,
        "disease": state["visual_diagnosis"].get("disease_name"),
        "confidence": state["confidence"],
        "generated_at": datetime.now().isoformat()
    }
    return state

# 构建Agent编排图
workflow = StateGraph(DiagnosisState)
workflow.add_node("diagnose_image", image_diagnoser)
workflow.add_node("retrieve_knowledge", knowledge_retriever)
workflow.add_node("fetch_weather", weather_fetcher)
workflow.add_node("generate_prescription", prescription_generator)

# 图像诊断和气象获取可以并行
workflow.add_edge("diagnose_image", "retrieve_knowledge")
workflow.add_edge("fetch_weather", "generate_prescription")
workflow.add_edge("retrieve_knowledge", "generate_prescription")
workflow.add_edge("generate_prescription", END)

# 编译并部署
app = workflow.compile()

效果评估与优化

该系统上线8个月后的效果数据：

持续优化方向：

1. 难例挖掘：收集置信度低于80%的案例，请农艺师标注后补充训练集
2. 抗药性更新：每季度更新当地抗药性监测数据，调整推荐药剂
3. 方言扩展：从湘语扩展到更多方言区，每新增一个方言区需收集500小时以上的语料
4. 边缘优化：将高频病虫害诊断模型压缩到手机端离线运行，减少对网络的依赖

13.6 陷阱与最佳实践

陷阱一：误诊的代价远高于"不知道"

农业诊断的特殊性在于：误诊的后果比"无法诊断"严重得多。 一个错误的用药建议可能导致药害、农残超标、甚至绝收。

最佳实践：

• 置信度分级响应：置信度>90%直接给出诊断；70-90%给出"初步判断"+建议咨询农技员；<70%明确告知"无法确定"，引导联系人工服务
• 关键信息强制确认：涉及用药的处方，系统自动在界面显示"此建议仅供参考，大面积施药前请咨询当地农技部门"
• 红名单机制：高毒农药、新上市农药、不在登记作物范围的农药一律不推荐，即使模型判断有效
• 人工兜底：建立农技专家值班制度，复杂case在5分钟内转接人工

陷阱二：忽视了"最后一公里"的交互体验

很多农业AI项目技术方案没问题，但交付后农户就是不用。根因往往是交互设计脱离实际。

最佳实践：

陷阱三：知识库更新滞后

病虫害的发生规律不是一成不变的——气候变化导致病虫害北移，新病虫害不断出现，病原菌抗药性持续演化。一个三年不更新的知识库，可能已经在"胡说八道"了。

最佳实践：

• 建立知识库更新机制：与省级植保站建立数据共享协议，每周同步病虫害监测报告
• 用户反馈闭环：农户可以标记"诊断错误"，标记数据进入待审核队列，经农艺师确认后更新知识库
• 版本化管理：知识库按月发布版本，支持回滚，关键更新（如新发现病害）即时推送
• 抗药性动态跟踪：接入农药抗性监测数据，每季度调整推荐药剂的优先级

陷阱四：把城市互联网的部署思路搬到农村

农业场景的IT基础设施与城市企业完全不同：没有稳定的机房环境，没有专业的运维人员，没有可靠的电力保障。

最佳实践：

• 边缘设备选型：选择宽温（-20~60度）、防尘防水的工业级设备，不要用标准服务器
• 断网容错：核心功能（病虫害识别）必须支持离线运行，网络恢复后自动同步数据
• 断电保护：边缘节点配备UPS，异常断电后数据不丢失
• 远程运维：支持远程诊断和OTA更新，减少上门运维次数
• 简易部署：边缘节点"通电即用"，不需要专业IT人员配置

陷阱五：忽视数据主权和农民隐私

农业数据涉及农户的种植面积、产量、收入等敏感信息，同时也是国家粮食安全相关的重要数据。

最佳实践：

• 数据分级：病虫害知识属于公共数据可共享；农户个人种植数据属于隐私数据需脱敏处理
• 最小化采集：只采集必要的诊断数据（图片+位置），不强制要求提供产量、收入等信息
• 本地优先：敏感数据尽量在边缘节点处理，减少上传到云端的数据量
• 合规审查：涉及耕地面积、作物产量等数据的跨境传输需遵守《数据安全法》相关规定

13.7 本章小结

农业大模型应用是所有行业中最具社会价值的方向之一：

1. 应用深度：病虫害诊断已实现从2.3天到12秒的质变，识别准确率从54%提升至91%，农药使用量减少18%。这不是"锦上添花"，而是真正解决了2亿农户农技服务短缺的痛点。

2. 技术架构：多Agent协作处理复杂农技咨询、遥感+IoT+LLM三源融合实现精准决策、边缘-云三层部署适配弱网离线场景、语音优先交互降低使用门槛。每一层架构设计都是围绕"田间地头能用"这个核心约束展开的。

3. 关键挑战：误诊风险高于"不知道"、交互体验是"最后一公里"的决定因素、知识库必须持续更新、农村IT基础设施需要特殊对待、数据主权和农民隐私不可忽视。

4. 未来方向：随着端侧模型能力提升（如3B参数模型在手机端流畅运行），更多AI能力将从云端下沉到手机端，让农户真正实现"离线也能用AI"。同时，多模态融合将从图像+语音扩展到视频（拍摄田间视频自动巡检），实现从"被动问诊"到"主动巡检"的跨越。

一句话总结：农业大模型的终极目标不是让AI替代农技专家，而是让每一位农户都拥有一位永远在线、永远耐心、用方言交流的AI农技专家。

延伸阅读

• 农业农村部《数字农业农村发展规划（2025-2035年）》 — 农业大模型应用的政策框架与发展路线图。
• 中国农业科学院《农业大模型发展报告2025》 — "神农"大模型技术架构与应用案例。
• FAO, "The State of Food and Agriculture 2025: AI for Food Security" — 联合国粮农组织关于AI在粮食安全中作用的年度报告。
• PlantVillage Dataset (Penn State University) — 包含5万+标注病虫害图像的开放数据集，是多数农业视觉模型的训练基础。
• "AgriLLM: Large Language Models for Agriculture" (2025) — 农业领域大模型的学术综述，涵盖技术路线和应用前景。