AgriWorld：面向可验证农业推理的 LLM Agent 代码执行世界工具协议框架
人工智能
2026-02-18 v1
摘要
农业基础模型正在训练海量时空数据（如多光谱遥感、土壤网格和田间管理日志），在预测和监控方面取得显著性能。然而，这些模型缺乏基于语言的推理和交互能力，限制了其在现实农业工作流程中的实用性。与此同时，大型语言模型（LLM）在解释和生成文本方面卓越，但无法直接在高维异构农业数据上进行推理。我们通过一种用于农业科学的智能体框架来填补这一鸿沟。该框架提供 Python 执行环境 AgriWorld，暴露用于地理空间查询、遥感时间序列分析、作物生长模拟以及任务特定预测器（如产量、应激和病害风险）的统一工具。在此基础上，我们设计了多轮 LLM 智能体 Agro-Reflective，通过编写代码、观察执行结果并进行迭代 refinement 来实现分析。我们引入 AgroBench，构建可扩展的数据生成机制，涵盖查找、预测、异常检测和反事实“假设”分析等多样化农业问答任务。实验结果优于文本-only 和直接工具使用基线，验证了以执行驱动为导向的可靠农业推理方法。
引用
@article{arxiv.2602.15325,
title = {AgriWorld:A World Tools Protocol Framework for Verifiable Agricultural Reasoning with Code-Executing LLM Agents},
author = {Zhixing Zhang and Jesen Zhang and Hao Liu and Qinhan Lv and Jing Yang and Kaitong Cai and Keze Wang},
journal= {arXiv preprint arXiv:2602.15325},
year = {2026}
}