Agentic AI for Livestock Housing Management: Applications, Benchmarking, and Readiness Assessment

方法

文献综述，提出感知-推理-行动-安全循环与就绪度量表，分阶段基准评估。

发现

智能体AI目前更适合作为决策支持与解释层，而非自主控制，牛的证据最充分。

机会点

可研究跨农场验证、安全约束闭环控制与可审计基准，填补自主畜舍管理空白。

智能体人工智能（Agentic AI）正在成为精准畜牧养殖（Precision Livestock Farming）的延伸，通过在人工监督的畜舍工作流程中将感知、推理、规划与有限行动相连接。本综述综合了90篇文献，涵盖智能体人工智能、多智能体系统、检索增强生成、大语言模型、基础模型、机器人技术、数字孪生、仿真、计算机视觉、信息物理控制及相关使能技术在畜舍管理中的应用。我们提出了感知—推理—行动—安全（Perception–Reasoning–Action–Safety, PRAS）循环和智能体畜舍就绪度量表（Agentic Livestock Housing Readiness Scale），将系统从被动监测与建议性决策支持分类至受监督、安全约束的闭环运行。同时采用分阶段基准测试视角，整合算法性能、生物学相关性、安全性、可审计性、经济可行性及人机交互。当前证据最充分的领域为感知、建议性推理、自然语言数据访问、福利风险解读及仿真支持的决策支持，而稳健的畜舍级自主控制仍基本未经验证。技术类别采用非排他性编码，因此文献频次仅表示在所选语料中的代表性，而非有效性、证据强度或部署就绪度。跨物种来看，奶牛提供了最成熟的证据基础，家禽研究主要涉及环境舒适度与营养支持，猪系统侧重于基于仿真的精准饲喂，而小反刍动物的证据仍集中于建议性工具与情境化具身监测。总体而言，畜舍中的智能体人工智能目前作为编排、解释与决策支持层比作为自主控制技术更为成熟。通过区分直接畜舍应用、半智能体原型与使能技术，本综述厘清了当前证据与可部署自主性之间的差距。迈向更高就绪度需要跨农场验证、生物学合理性、来源溯源审计、安全保障、互操作性、经济评估、透明基准测试及明确的人工监督。