AI-Driven Agricultural Advisory and Diagnostic Systems for Smallholder Farming: Technical Architectures, Evidence and Deployment Priorities for North-East India

人工智能（AI）正通过机器学习、计算机视觉、对话式大语言模型、检索增强生成和多模态界面被引入农业咨询服务。对于小农户而言，核心问题不在于这些技术能否产生技术上看似合理的输出，而在于它们能否在异质的农艺、语言和网络连接条件下提供本地正确、可操作且安全的建议。本批判性叙事综述整合了数字推广、AI赋能的农业建议、基于图像的诊断和负责任数字农业方面的证据，并特别关注印度东北部。本文考察了2010年1月1日至2026年7月17日期间发表的文献，重点关注同行评议的田间评估、技术验证研究、综述及区域相关研究。来自数字推广的证据提供了最强的因果基线：移动化和个性化咨询服务经常改善信息记忆、农艺知识和对推荐措施的采纳，但对产量、利润和福利的影响并不一致。近期生成式AI研究表明，大语言模型能够产生有用的农业回答，但针对具体地点的用量、时机和本地实践仍是反复出现的失败点。检索 grounding 和专家反馈可提高本地相关性，但多季农场层面的有效性证据仍然稀缺。基于图像的植物病害系统在精选数据集上达到高准确率，但在田间域偏移、类别新颖性和图像质量多变的情况下，性能可能急剧下降。印度东北部在梅加拉亚邦、那加兰邦和特里普拉邦开展的移动咨询系统研究展示了基于交互式语音应答、本地专家网络和以用户为中心的服务设计的宝贵制度基础；然而，这些研究并未确立自主AI的有效性。因此，最可辩护的部署模式是一种容忍离线、多语言、多模态且有人工监督的架构，该架构将建议建立在精选的区域知识之上，表征不确定性，保留来源信息，并对高风险或分布外案例进行升级处理。未来研究应优先开展前瞻性的跨区县和跨季节评估，将模型质量与农户决策、农艺结果、公平性、安全性和成本效益联系起来。