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.
Ключевые факты
Agri-SAGE объединяет retrieval-grounded multi-agent LLM и биофизическое моделирование APSIM
Оценка проводилась на основе ретроспективного анализа за 10 лет
Tree of Thoughts показал наивысшую урожайность, а Reflexion, сопоставимые результаты при меньших вычислительных затратах