AgriWorld：以代码执行 LLM 智能体实现可验证农业推理的世界工具协议框架

摘要

农业基础模型越来越多地在海量时空数据（如多光谱遥感、土壤网格和田间管理日志）上训练，在预测与监测上表现出色。但这些模型缺乏基于语言的推理与交互能力，限制了它们在真实农艺工作流中的用处。与此同时，大语言模型（LLM）擅长理解和生成文本，却无法直接对高维异构农业数据集推理。我们用一个面向农业科学的 Agentic 框架弥合这一鸿沟。它提供 Python 执行环境 AgriWorld，暴露统一工具，用于田块地理空间查询、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、胁迫和病害风险）。在该环境之上，我们设计多轮 LLM 智能体 Agro-Reflective，通过执行-观察-精炼循环迭代地编写代码、观察执行结果并改进分析。我们提出 AgroBench，可扩展地生成多样农业问答数据，覆盖查询、预测、异常检测和反事实“如果-会怎样”分析。实验超越纯文本与直接工具使用基线，验证了执行驱动反思对可靠农业推理的价值。

AgriWorld：以代码执行 LLM 智能体实现可验证农业推理的世界工具协议框架 — 图1：所提出框架的概览。流水线始于异构状态空间𝒮（例如地理位置、风场）。数据流经Spatial Query、Spatio-temporal Analysis和Crop Simulation等功能模块。关键的Coordinate Alignment步骤将原始Pre-training Sequence转换为统一的Aligned Sequence（g→kg）。最后，智能体验证时间线中的Temporal Errors，并在生成Final Output之前施加Pattern Validity和Numerical Conservation等约束。