Farmer AI Backend：为印度农民打造的智能农业助手平台

一个结合记忆系统、上下文感知推理、追问生成、天气智能和代理工作流的农业智能平台，专为印度农民提供个性化种植建议。

• 原作者/维护者: Apurvbhargav
• 来源平台: GitHub
• 原始标题: farmer_Ai_backend
• 原始链接: https://github.com/Apurvbhargav/farmer_Ai_backend
• 发布时间: 2026年5月30日

Farmer AI Backend 是一个专为印度农民设计的农业智能平台后端系统。与传统的聊天机器人不同，该项目致力于构建一个真正的"农业智能引擎"——一个能够理解农民历史活动、作物生长周期、天气状况和田间环境上下文，然后提供个性化建议的系统。

这个项目的核心价值在于将现代人工智能技术应用于传统农业领域，帮助农民通过自然语言交互获得专业的种植指导。系统支持印地语、英语和印地英语混合输入，让技术门槛不再成为农民获取智能服务的障碍。

系统采用基于代理的架构设计，各个功能模块以独立代理的形式协同工作：

1. 上下文代理 (Context Agent): 从农民的自然语言查询中提取结构化的农业信息
2. 记忆代理 (Memory Agent): 管理农民的历史活动和事件记录
3. 追问代理 (Follow-Up Agent): 在关键信息缺失时自动生成追问问题
4. 天气代理 (Weather Agent): 提供基于地理位置的天气情报（开发中）
5. 推荐代理 (Recommendation Agent): 综合所有信息生成可执行的建议

整个系统的数据流呈现出清晰的管道结构：

农民查询 → 上下文代理 → 记忆检索 → 上下文分析 → 追问代理 → 结构化输出

这种设计确保了每个环节都有明确的职责边界，同时也为未来的扩展预留了接口。

系统目前实现了基于时间窗口的记忆检索机制。当农民发起查询时，系统会自动检索该农民近期的相关活动记录，包括：

• 施肥记录
• 农药喷洒记录
• 灌溉事件
• 病害观察记录
• 农民对追问的回复

这些记忆为上下文代理理解新查询提供了重要的背景信息。

项目规划了一个更为先进的混合记忆架构，结合了结构化过滤和向量相似性搜索：

查询 → 结构化过滤（农民ID、作物类型、时间窗口、季节） → 向量相似性搜索 → 上下文排序 → 推荐代理

技术栈包括 PostgreSQL + pgvector 向量扩展、BGE-M3 嵌入模型，以及混合RAG检索技术。这种架构将大幅提升记忆检索的精准度和召回率。

上下文代理展示了令人印象深刻的多语言理解能力。以系统文档中的一个示例为例：

农民输入（印地语）: "10 din pehle khaad dali thi, ab pattiyan peeli ho rahi hain"（10天前施了肥，现在叶子变黄了）

提取的结构化信息:

{
  "event_type": "symptom_observation",
  "crop": "paddy",
  "action": "diagnosis",
  "chemical": "fertilizer",
  "days_ago": 10,
  "missing_fields": ["crop_stage", "affected_area"],
  "confidence": 0.9
}

这种从非结构化口语到结构化数据的转换，是系统理解农民意图的关键。