Serge Kernbach 发表论文。本研究评估大语言模型(LLM)在复杂生物系统中的应用,从数据分析演进到AI引导的自主实验。框架由49通道植物传感器网络数据驱动,涵盖多光谱、电化学和介电模态。在最少时间模式下,系统将生产周期缩短35%;在能源优化模式下,通过利用光脉冲的生理惯性,降低能源消耗18%。最后,代理自主开发了黑暗诱导叶绿素积累策略,实现67.9%的节能。本框架将LLM转变为数字农业的自主副驾驶,改善成本-价值比,降低计算和专家劳动力约束。
Jutarut Chaoraingern、Akarat Pattaraanuvong、Kantapon Paraksa、Kantiporn Khunthong、Tirawat Nontiwantok、Arjin Numsomran(泰国国王科技大学)发表论文。本研究提出一个集成平台,围绕代理AI咨询管道构建,完全在商用硬件上本地运行。管道通过基于条件的路由、意图分类、多步推理和LLM验证门,将基于RAG的Mistral 7B语言模型与LLaVA 7B视觉语言模型耦合,从对话界面提供上下文感知的文本和图像症状级指导。在Cos生菜测试中,该咨询管道在50个查询中达到82.00%加权准确率,涵盖健康、症状、浇水、害虫、根系健康和生长阶段类别。
Wenzheng Tao、Qiwei Sang(江苏大学计算机科学与通信工程学院)、Cong Chen(农业农村部南京农业机械化研究所)、Qirong Mao(江苏大学)发表综述论文。本综述聚焦由大语言模型及相关多模态基础模型驱动的现代农业智能体,考察这一新兴领域如何重塑智能农业系统的组织模式。综述阐明农业智能体的概念边界,综合其架构基础、关键能力、应用场景、部署挑战和未来研究方向。综述文献表明,农业智能体正从孤立的感知、预测和响应生成,向农业任务链中农业知识、动态数据、外部工具和决策流程的目标导向协调转变,开始支持更集成的知识服务、作物监测与诊断、决策支持和农场级协作管理形式。
面向精准农业受限于多模遥测难以实时自治的认知瓶颈,提出 AgriAgent 分层多智能体(MAS)框架,将大语言模型从被动分析工具重塑为目标导向的协调器,采用包含感知、认知、执行三层的三层编排(TLO)拓扑。构建基于 APSIM 生物物理模型并经 GAN 扩展的高保真 10,000 状态合成库,引入黑天鹅环境胁迫。基准测试显示推理成功率 98.2%,决策时延降低 97%,将传统人在回路模式转为智能体驱动,为生物-数字自治农场提供蓝图。