Agri-SAGE: ИИ-система на базе LLM и симуляций превзошла традиционные агроконсультации
Агроконсультации часто опираются на статические рекомендации, которые не учитывают изменчивость сезона и погодные риски. Современные LLM-системы, напротив, могут генерировать агрономически правдоподобные, но физиологически необоснованные советы. Новый фреймворк Agri-SAGE решает обе проблемы.
Разработка сочетает многолетний поиск знаний с мультиагентным?? на LLM и симулятором APSIM. Это позволяет не только давать рекомендации, но и проверять их через биологическую модель роста культур.
В 10-летнем ретроспективном анализе сравнили три стратегии рассуждений: Plan-and-Solve, Tree of Thoughts и Reflexion. Все три значительно превзошли стандартные пакеты практик (PoP). Лучший результат по урожайности показал Tree of Thoughts.
Вместе с тем, алгоритм Reflexion достиг сопоставимых агрономических показателей при существенно меньшей вычислительной нагрузке. Эффект достигнут за счёт использования кросс-сезонной эпизодической памяти — система запоминает успешные решения прошлых лет.
Таким образом, Agri-SAGE демонстрирует, что гибридный подход — симуляция плюс мультиагентный LLM — способен создавать контекстно-зависимые и физиологически обоснованные агроконсультации. Это открывает путь к более умным цифровым помощникам для фермеров, способным адаптироваться к реальным полевым условиям.
