《Frontiers in Sustainable Food Systems》：Enhancing decision support tools in agroforestry: Integrating farmers’ perspectives on goals, challenges, and experience
编辑推荐：
引言：农林复合（agroforestry）系统可带来显著的环境、经济和社会效益，但其推广受限于缺乏契合农户工作流的决策支持工具（DSTs）。本研究旨在刻画农户类型学、评估从业者与研究人员之间的优先级差距，并开发一种将农户衍生逻辑操作化的人工智能（AI）引导设计
引言：农林复合（agroforestry）系统可带来显著的环境、经济和社会效益，但其推广受限于缺乏契合农户工作流的决策支持工具（DSTs）。本研究旨在刻画农户类型学、评估从业者与研究人员之间的优先级差距，并开发一种将农户衍生逻辑操作化的人工智能（AI）引导设计框架。方法：研究人员对23名园艺种植者与29名研究人员开展半结构化调查，将859个现有模型对照农户需求进行映射，并部署多层AI提示架构。结果：研究揭示出四种差异化农户类型学（土壤肥力改善者、大规模整合者、自然保护者、产品多样化者），其多样目标常被研究人员高估；现有模型存在关键缺口，仅支持41%的农户衍生条件语句，且64%所需输入数据从业者无法获取。为此，研究人员开发并发布了一个AI引导决策支持框架，将农户叙事逻辑转化为可验证的设计工作流。讨论：研究人员认为，弥合证据-实践差距需将工具开发从学科中心建模转向整合地方知识的工作流中心设计；结合机理约束与AI赋能适应的混合路径，有望在通过稳健验证架构确保认知透明的同时，使专家农林知识民主化。
研究背景与问题提出
农林复合（agroforestry）系统，尤以果树与坚果树系统为代表，通过时空维度组合树木、作物、服务植被及畜禽，能提升生物多样性、土壤肥力、碳固存、水分调节、微气候缓冲及农场韧性，并多元化产出与收入。然而其效益高度依赖物种组合、空间排布、管理时序、劳动力、机械兼容性与市场接入等情境化设计选择。现有农林模型与决策支持工具（DSTs）多围绕学科建模目标组织，而非农户在设计多样化系统时遵循的条件化、工作流导向决策，且常要求农户难以获取的输入数据，导致持续的“证据-实践差距”。大语言模型（LLMs）为自适应、情境响应式的设计生成提供新路径，但需验证策略与认知透明以保障农艺可靠性。该研究假设从业者目标与约束可转化为工作流导向的DST需求，并通过与现有模型比对揭示AI辅助工具开发的可行动缺口。
主要技术方法
研究人员采用三阶段顺序工作流。其一，对五大洲23名果树/坚果农林从业者（horticulturists）与29名研究人员/推广专家开展半结构化调查，经因子分析与两步聚类分析提炼探索性农户类型学；其二，系统映射Scopus与Web of Science中859个农林模型/DSTs记录，用Perplexity AI与人工核查将34条农户衍生条件语句与模型覆盖度、输入数据可及性对齐；其三，将条件语句经五阶段（评估、澄清、视角、设计、验证）分解重构为多层AI提示架构，在Perplexity AI研究模式下迭代精炼，内建置信标注、链式验证与多源共识机制。样本队列来源于全球403个生态农业组织、214个坚果农协会及465名个体园艺者邀请池，以及502名作物多样化文献作者。
研究结果
3.1 受访园艺者描述：23名受访者以有机（46%）、生物多样性/永续农业（38%）为主，中位地块73公顷，农林占比中位43%；年轻果园多种植饲料作物与灌木，成熟果园引入覆盖作物、畜禽与家禽。目标上重产品多样化与养分循环，未来更关注保育（nursing）、碳固存与气候适应。探索性聚类给出四类设计导向档案——土壤肥力改善者、大规模整合者、自然保护者、产品多样化者，其属性规模、组件数、目标与约束各异，但属启发式而非统计固定分类。
3.2 受访者组间比较：农户（园艺者+蔬菜种植者）与研究人员在八因子空间分离明显（分别90%与83%组内聚合）；研究人员普遍高估农户动机与挑战，仅在土壤覆盖、节劳、生物多样性、美学与保护支付上低估。
3.3 叙事转算法原则：自叙事抽33条算法规则与10项DST功能特征（如本地种子/机械数据集、法规汇总、多语界面、利益相关方网络），构成需求集。
3.4 模型映射与需求链接：859个模型中49.5%偏资源效率、48.5%偏经济生产；34条条件语句仅41%获任一模型支持（3%完全覆盖），树-巷作整合策略0/3覆盖；69类输入数据中仅36%农户可自测，64%需专家、外部库或嵌入参数。五大错配为模拟非规定、尺度受限、功能性状缺失、系统耦合不足、本地数据缺口。
3.5 AI引导工具部署：发布开放表格提示库（含五阶段序列与验证逻辑），适配Perplexity/ChatGPT/Claude免费层，但研究未做田间或用户采纳验证，定位为透明原型。
讨论部分总结
讨论指出四类档案应作设计入口而非固定标签；农场规模单变量不决定多样化，资源禀赋、 tenure、劳动力与市场共同塑造。现有模型组合偏产量/利润/碳/适宜性，弱于传粉、抑草、认证与社会产出，概念上难回答“服务于谁”，操作上数据需求超出农户现实。LLM机会在于知识民主化，但幻觉与多约束同时推理受限；所提五阶段架构以渐进上下文、视角工程（生态学家/农艺师/农户-经济学家三方权衡）、自一致性草稿、置信标签（PASS/CONDITIONAL PASS/FAIL）、专家介入与领域 plausibility 校验，将输出定为待农艺师验证的结构化假设而非自主处方。未来需农户测试、专家评审、田间评估及传感器/遥感校准，并嵌入LIME/SHAP式可解释接口。
结论翻译
本研究确认农林从业者的问题表述方式与现有模型/DST组织方式间存在持续错配。调查显示农户优先级异质且融合生产、土壤肥力、生物多样性、劳动、营销、法律与信息获取；四类探索性档案概括重复设计取向但非统计定类。系统映射表明现有工具强于资源效率、生产力、盈利、碳与空间适宜性，弱于传粉、抑草、认证、社会产出与本地设计指导；34条条件语句仅14条获模型支持，多数输入数据农户不可及——证据-实践差距亦是工作流与数据可及性差距。主要科学贡献为需求工程工作流：将从业者目标转为条件设计语句，比对模型能力与数据需求，转为结构化AI提示架构以提升事实锚定、降幻觉、保追溯；AI推荐作假设非规定设计，需用户验证与专家审查。实践上未来DST应越出学科中心仿真，走向混合、参与式、工作流导向平台，诊断用户目标、裁剪建议、减不可及数据、透明权衡、本地校准，并具证据追踪、不确定性标注与可解释输出。局限含样本小且地理偏斜、选答非强制、聚焦果树坚果农林、类型学探索性、AI辅助映射偏倚可能。未来需跨系统跨区域实测该工作流。
（该文发表于《Frontiers in Sustainable Food Systems》）
