基于RAG方法的农业研究优化：黄原菌信息检索

检索增强生成（RAG）代表了自然语言处理中的一种变革性方法，结合神经信息检索与生成式语言建模，以增强响应的上下文准确性和事实可靠性。不同于传统的大语言模型（LLM），后者受限于静态训练语料库，RAG驱动的系统通过动态整合特定领域的外部知识源，从而克服了时效性和学科限制。本研究提出了针对Mycophyto的RAG系统设计与评估，聚焦于推进与黄原菌（AMF）相关的农业应用。这些菌类在可持续农业中发挥关键作用，通过增强养分获取、改善植物对非生物和生物胁迫的抗性以及贡献土壤健康。我们的系统实现了双层策略：（i）使用向量嵌入从农业学和生物技术语料库中进行语义检索和内容增强，（ii）结构化数据提取以捕获预定义的实验元数据，如接种方法、孢子密度、土壤参数和产量结果。这种混合方法确保生成的响应不仅在语义上一致，而且由结构化实验证据支持。为支持可扩展性，嵌入存储在高性能向量数据库中，可实现从不断演进的文献库中实现近实时检索。经验评估表明，所提出的管道检索并综合了关于AMF与作物系统（如番茄Solanum lycopersicum）相互作用的高度相关信息。该框架凸显了AI驱动知识发现在加速农业生态创新和提升可持续农业决策方面的潜力。