《Smart Agricultural Technology》：An Agent-Based Service Architecture for Smart Greenhouses: Telemetry Analytics and Decision Support with RAG-grounded LLM Agents
编辑推荐：
为克服智能温室中物联网(IoT)平台虽提供遥测数据但种植者难以直接利用AI将传感数据流转化为可操作决策这一难题，研究人员提出了一种与基于智能体的服务架构(ASA)集成的AI驱动分层物联网架构。该架构通过由检索增强生成(RAG)提供支持的对话式聊天智能体(S1)、遥测分析服务(S2-IoT)及事件/紧急评估服务(S2-E)协同工作，实现了从监测、决策支持到符合安全策略的有界自动化干预的闭环，并在工业大麻水培温室中成功验证，为种植者提供了直接的AI赋能操作功能。
在当今的现代农业领域，尤其是受控环境农业中，技术的融合正在重塑生产方式。想象一下，一个现代化的温室，里面布满了各式各样的传感器，实时监测着温度、湿度、光照强度、二氧化碳浓度乃至营养液的pH值和电导率(EC)。这些物联网(IoT)设备构成了“智能温室”的神经末梢，源源不断地产生海量数据。然而，一个普遍存在的现实困境是：尽管先进的IoT平台能够收集这些数据并通过仪表盘(Dashboard)展示给种植者，但如何将这些冰冷的数据流转化为具体、及时、安全的种植决策乃至自动化操作，仍然是横亘在技术与实践之间的一道鸿沟。种植者往往缺乏直接、便捷地利用人工智能(AI)能力的途径，来辅助日常管理、应对突发事件或优化资源利用。
为了解决智能温室运营中的这一关键瓶颈，来自西班牙米格尔埃尔南德斯大学农业食品与农业环境研究与创新研究所的研究团队Sofía Pardo-Pina、J?rn Germer、Ricardo Suay-Cortés、Manuel Platero-Horcajadas和Francisco-Javier Ferrández-Pastor开展了一项开创性的研究。他们提出并验证了一种全新的、智能体驱动(Agent-driven)的服务架构，旨在将物联网的“感知”能力与人工智能的“决策”能力无缝衔接，为种植者提供从数据到行动的端到端支持。这项研究成果已发表于《Smart Agricultural Technology》期刊。
研究人员为开展此项研究，主要采用了以下几项关键技术方法：首先是提出了一个模块化的、基于智能体的服务架构(Agent-Based Service Architecture, ASA)，该架构分层集成物联网基础设施、本地控制、云端/本地智能服务与用户界面。其次，在智能服务层，他们实现了两个核心服务：其一是基于检索增强生成(Retrieval-Augmented Generation, RAG)技术的对话式聊天智能体(Chat-Agent, S1)，它通过查询植入了标准操作规程(SOPs)和本地情境的向量知识库，为种植者提供规划、监督和决策支持；其二是遥测驱动的监测与执行智能体(IoT-Agent, S2)，负责分析传感数据、计算农艺指标(如日累积光照积分DLI)、检测异常并在满足预设安全策略的前提下触发有界的自动化操作。此外，研究还采用了低代码工作流（如n8n）进行服务编排，并在边缘侧（如树莓派/Raspberry Pi运行Home Assistant）部署了离线回退机制以确保系统在网络中断时的韧性。整个系统在一个50平方米的、种植工业大麻的受控环境水培温室中进行了部署与验证。
研究结果
3.1. 平台与智能体验证
研究团队首先确保了从传感器到用户界面的端到端数据流畅通无阻。物联网(IoT)平台成功以1-5分钟的间隔采集了环境、灌溉和能源相关数据，并可靠地存储于本地InfluxDB数据库。用户可以通过Home Assistant仪表盘实时查看温室状况，或通过Telegram、WhatsApp等通讯工具与聊天智能体自然交互。
3.1.3. 智能体（S1和S2）验证
对智能体的验证聚焦于其处理数据、支持交互和触发行动的能力。
- •
S1聊天智能体验证：该智能体基于构建的知识库（含IoT数据和种植手册），成功实现了两大功能：种植咨询与规划（如营养调度、环境目标设定）以及作物状态与演进报告生成。在针对40个涵盖数值、范围、因果、流程等多种类型的温室种植领域问题的测试中，GPT-5.2后端模型正确回答了38个问题，准确率达95.0%，优于GPT-4o-Mini模型（32/40正确，80.0%）。评估采用的文本生成指标包括ROUGE-L=0.272，BLEU-4=3.821，BERTScore=0.872。
- •
S2-IoT智能体验证：该智能体通过处理物联网平台生成的周期性数据集，成功实现了事件丰富化、异常检测和向操作员发出警报。在受控场景下，它能够通过控制API触发安全的执行命令（如短时灌溉循环），证实了其闭合“监测-行动”回路的能力。特别地，在计算日累积光照积分(Daily Light Integral, DLI)的精度评估中，S2-IoT在13个评估日内达到了平均绝对误差(MAE)=0.005和均方根误差(RMSE)=0.008 mol m-2d-1的高精度。
- •
S2-E紧急智能体验证：针对紧急事件的评估服务在36个测试案例中，对状态（正常/警告/报警）的判断达到了0.81的准确率和0.97的稳定性，显示出可靠的异常响应能力。
研究结论与意义
本研究成功设计、实现并验证了一个面向智能温室的、基于智能体服务的AI驱动物联网架构。该架构的核心贡献在于其通用化的、模块化的智能体服务架构(ASA)，它能够适应不同的农业设施和种植技术（本研究以水培系统为例）。通过整合检索增强生成(RAG)赋能的对话智能体(S1) 与安全门控的遥测分析与执行智能体(S2/S2-E)，该系统为种植者提供了超越传统仪表盘的、直接的AI赋能操作功能，涵盖了监测、决策支持和符合策略的自动化执行。
研究结果表明，由智能体协调的大语言模型-检索增强生成(LLM-RAG)服务能够有效嵌入物联网温室工作流，将异构、高频的遥测数据转化为及时的警报、安全的自动化操作或用户友好的操作指导。关键的是，所有自动化动作仅在满足预定义操作条件（如阶段依赖的阈值、验证门控和冲突解决规则）且与操作员定义的安全策略保持一致时才会执行，并通过可审计的低代码工作流进行编排，保障了系统的安全性与可控性。此外，系统设计的边缘优先离线回退机制，确保了在网络连接不可用时本地基础控制功能的持续运行，增强了部署的韧性。
这项工作的意义在于，它为实现更响应迅速、资源高效且可扩展的AI辅助温室管理提供了一个切实可行的框架。它尤其注重用户中心设计和开源低成本技术的应用，旨在降低中小规模生产者的采纳门槛，促进AI技术在农业领域的普惠化发展。尽管在真实开放环境中完全消除风险不可行，但通过冗余设计、保守默认值和分阶段部署等策略，该架构为在实际生产环境中安全、可靠地引入高级智能服务奠定了坚实基础。未来，计划进行多地点、多季节的进一步评估，以验证其更广泛的适用性和长期效能。
