Проблема статических рекомендаций
Традиционные агротехнические советы (Package-of-Practice, PoP) обеспечивают стабильность, но игнорируют внутрисезонную изменчивость и динамические риски. Современные LLM-системы, напротив, часто генерируют рекомендации, которые выглядят агрономически правдоподобно, но физиологически несостоятельны. Agri-SAGE решает этот конфликт, создавая замкнутый цикл (closed-loop framework), где LLM-агенты не только предлагают решения, но и валидируют их через симуляцию.
Архитектура и технологии
Система интегрирует retrieval-grounded multi-agent LLM reasoning с биомеханической симуляцией APSIM (Agricultural Production Systems sIMulator). Это позволяет моделировать реакцию культур на предлагаемые агентами действия в виртуальной среде перед выдачей финального совета фермеру. Оценка проводилась на ретроспективных данных за 10 лет.
Сравнение стратегий рассуждения
Исследователи протестировали три подхода к рассуждению LLM. Результаты показывают, что все они значительно превосходят базовые статические рекомендации, но имеют разные профили эффективности:
| Метод | Ключевая особенность | Результат |
|---|---|---|
| Plan-and-Solve | Последовательное планирование | Превосходит PoP, уступает ToT по пиковой урожайности |
| Tree of Thoughts (ToT) | Древовидный поиск решений | Достигает максимальной пиковой урожайности |
| Reflexion | Кросс-сезонная эпизодическая память | Сопоставимые агрономические результаты при существенно меньших вычислительных затратах |
Значение для отрасли
Работа демонстрирует переход от «генерации текста» к «генерации валидируемых действий». Использование Reflexion с памятью между сезонами открывает путь к созданию экономичных систем, которые учатся на исторических данных, не требуя колоссальных ресурсов для каждого запроса. Это критически важно для внедрения AI в реальные фермерские хозяйства с ограниченным доступом к вычислительным мощностям.
Источник: arXiv cs.AI ↗