模块 A 为病例与证据输入：叶片与植株图像（病斑区域、图像质量）、病原检测（PCR 与培养阳性或阴性）、环境信息（EC、温度、灌溉与湿度）以及病史（品种、生育期、发病起始与进展）。模块 B 为候选诊断与证据台账：候选集合含病害 A、病害 B 与非生物胁迫 C；支持台账记录症状匹配与检测支持；反证据栏记录缺失的标志性症状与阴性检测；证据来源标注来源、时间、置信度与可靠性。模块 C 为充分性与矛盾引擎：覆盖度评分比较所需证据与已观察证据，冲突评分衡量支持与反驳的对抗及因果不一致，可靠性评分考察检测灵敏度与图像标签质量，共同决定诊断、请求还是拒识的决策边界。模块 D 为动作条件输出：诊断给出证据支撑标签与支持度加置信度；请求证据给出下一项检测或观察及期望信息增益；拒识针对证据不足或矛盾，升级转交专家。模块 E 为反事实与对比训练：构造同病不同光、同症不同因的匹配病例对，通过删除或增加检测、插入有效反证据做证据扰动，约束模型在无关上下文变化时保持稳定、在诊断证据变化时及时修正，损失由答案、支持、反证据、选择性与反事实五项加权构成，反事实须生物学合理并绑定可控采集或核验标签。模块 F 从诊断质量（Macro-F1、各类召回）、校准（ECE、Brier、风险覆盖）、证据保真（支持精确率、反证据召回）与决策效用（不必要检测、漏诊、专家升级）四维验证。核心假设是模型应因证据敏感修正与校准拒识获得奖励，而非总是给出自信病名。适用人群：诊断模型研究者、拒识与校准方向学生及农业 AI 研发人员均可参考。