Agri-SAGE объединяет LLM и APSIM для генерации агрономических рекомендаций

Исследователи представили Agri-SAGE, замкнутую систему для подготовки агрономических рекомендаций. Она объединяет multi-agent LLM-подход и биофизическое моделирование на базе APSIM. Авторы проекта пытаются решить сразу две проблемы существующих подходов: статичные агрономические инструкции плохо учитывают сезонную изменчивость, а LLM могут выдавать правдоподобные, но физиологически неубедительные советы.

Как сообщает arXiv cs.AI (Artificial Intelligence), в Agri-SAGE используется retrieval-grounded рассуждение нескольких агентов, после чего рекомендации дополнительно проверяются через симуляцию. Для оценки системы авторы протестировали три метода рассуждения: Plan-and-Solve, Tree of Thoughts и Reflexion. Проверка проводилась в рамках ретроспективного анализа за 10 лет.

Согласно данным работы, все три подхода заметно превзошли статичные базовые сценарии PoP (Package-of-Practice). Лучшие показатели урожайности продемонстрировал Tree of Thoughts. В то же время Reflexion обеспечил сопоставимые агрономические результаты при существенно меньших вычислительных затратах благодаря использованию cross-seasonal episodic memory.