Serangan Organisme Pengganggu Tumbuhan (OPT) pada tanaman padi dan terbatasnya tenaga Penyuluh Pertanian Lapangan (PPL) menyebabkan kesenjangan akses informasi pengendalian hama bagi petani. Penelitian ini merancang bangun asisten cerdas berbasis Retrieval-Augmented Generation (RAG) menggunakan metode Hybrid Retrieval yang menggabungkan BM25 dan Dense Vector Retrieval (FAISS) dengan Reciprocal Rank Fusion (RRF), didukung model Gemma-3 4B yang diadaptasi melalui Quantized Low-Rank Adaptation (QLoRA) dalam konfigurasi 4-bit (NF4) dan 8-bit (INT8). Basis pengetahuan dibangun dari dokumen BPTPH mencakup 32 entitas OPT melalui pipeline NLP lima tahap, dengan 128 pasang Q&A untuk fine-tuning dan 50 pasang Q&A untuk evaluasi menggunakan BERTScore, RAGAS, dan UniEval. Dari sembilan skenario eksperimen, konfigurasi Hybrid Retrieval dengan Base Model menjadi yang paling unggul secara keseluruhan, dengan F1-Score BERTScore tertinggi (0,7798), Faithfulness RAGAS tertinggi (0,8590), dan Answer Relevancy tertinggi (0,7576). Metode Hybrid mencatat Context Recall tertinggi (0,8450) dan Hit Rate 92% yang mendekati Semantik murni (94%) serta jauh di atas Leksikal (84%). Pengujian adaptasi QLoRA (4-bit dan 8-bit) tidak menghasilkan peningkatan kinerja dibanding Base Model, bahkan cenderung menurunkan skor Faithfulness, sehingga untuk domain dan ukuran data ini konfigurasi Base Model terbukti paling optimal. Kombinasi Hybrid Retrieval dan Base Gemma-3 4B menghasilkan asisten pertanian yang akurat secara faktual, relevan, dan minim halusinasi.