Agri-SAGE：多智能体LLM模拟农业建议生成框架
速览
Agri-SAGE是一个闭环框架，针对农业咨询系统两方面限制进行优化。它通过检索基础的多代理LLM推理结合APSIM模拟，生成并验证农艺建议。评估显示，三种推理方法均显著优于传统PoP基线，其中树型思考方法达到峰值产量，反思方法则以较低计算成本获得可比结果。
AI 深度解读
背景
农业咨询系统长期面临两大根本性张力：其一，静态农艺指南虽能提供一致且基于证据的推荐，却对季内变化和动态不确定性完全失明；其二，近期以大型语言模型（LLM）驱动的咨询系统则容易输出农艺上可信但生理上难以说服的建议。
ArXiv cs.AI 2026年7月1日提交的预印本《Agri-SAGE: Simulation-Grounded Multi-Agent LLM for Context-Aware Agricultural Advisory Generation》正式提出解决方案：构建一个闭环框架，通过整合基于检索的多代理LLM推理与APSIM-based生物物理模拟，实现农艺建议的生成与验证。
核心内容
Agri-SAGE 是一个闭环框架，旨在同时解决上述两个限制。该框架将检索驱动的多代理LLM推理与基于APSIM（Agricultural Production Systems sIMulator）的生物物理模拟深度融合。
框架运作机制如下：多代理LLM首先利用检索机制获取上下文信息，采用三种推理策略进行规划与验证——Plan-and-Solve、Tree of Thoughts 以及 Reflexion。生成的建议在APSIM模拟环境中进行真实场景再现与验证，确保最终输出既符合农艺准则，又与生理过程高度一致。
为评估框架有效性，论文进行了10年追溯分析，比较了三种推理方法与静态Package-of-Practice（PoP）基线。结果显示，三种推理方法均显著优于静态PoP基线，其中Tree of Thoughts 在峰值产量上表现突出；同时，Reflexion 虽达到与Tree of Thoughts 相当的农艺产出，但显著降低了计算成本，这得益于其利用跨季节的叙事记忆（episodic memory）机制。
关键要点
- Agri-SAGE 采用检索-grounded 多代理LLM推理与APSIM-based生物物理模拟构建闭环框架。
- 方案融合三种推理方法：Plan-and-Solve、Tree of Thoughts、Reflexion。
- 10年追溯分析验证，三种方法均显著优于静态PoP基线，Tree of Thoughts 峰值产量突出。
- Reflexion 实现农艺产出相当，但通过跨季节叙事记忆大幅降低计算成本。
意义与影响
Agri-SAGE 首次将模拟驱动的物理模型与现代多代理LLM推理深度结合，有效突破了现有农业咨询系统在动态不确定性下的局限性，为精准、高效的农业决策提供了可扩展技术路径。其研究意义在于首次在闭环仿真-推理框架中系统性比较三种主流推理策略，并证明Reflexion在资源效率上的独特优势；影响层面则在于为AI-native农业咨询系统树立了标准化验证范式，有望推动全球农业生产从“静态经验”向“动态仿真+智能推理”的转变，最终提升作物产量预测精度与可持续性。