部署与评估全季节大豆农场运营的智能农业代理引擎

# 面向全季大豆农场作业的智慧农业智能体引擎部署与评估
来源：https://arxiv.org/html/2609.00106  
DOI:XXXXXXX\.XXXXXXX (https://doi.org/XXXXXXX.XXXXXXX)  
会议：被第34届ACM国际地理信息系统进展会议接收；2026年11月  
ISBN:978\-1\-4503\-XXXX\-X/2018/06  
CCS：计算方法 智能体  
CCS：应用计算 农业  

Ao Qu  
https://orcid.org/0009-0008-8230-3211  
注：同等贡献。  
邮箱：[aoqu@stu\.hit\.edu\.cn](mailto:[email protected])  
单位：哈尔滨工业大学计算学部，智能农场技术与系统国家重点实验室，哈尔滨，中国  

Panagiotis Michelakis  
https://orcid.org/0009-0003-0498-0499  
注：目前所属新单位。  
邮箱：[panosg@synkrasis\-labs\.com](mailto:[email protected])  
单位：雅典国立技术大学电气与计算机工程学院，雅典，希腊  

Linyuan Han  
https://orcid.org/0009-0009-2041-7202  
邮箱：[linyuanhan26@stu\.hit\.edu\.cn](mailto:[email protected])  
单位：哈尔滨工业大学计算学部，智能农场技术与系统国家重点实验室，哈尔滨，中国  

Yiannis Hadjiyianni  
https://orcid.org/0009-0003-2413-6375  
邮箱：[yiannisha@synkrasis\-labs\.com](mailto:[email protected])  
单位：雅典国立技术大学电气与计算机工程学院，雅典，希腊  

Kun Ouyang  
https://orcid.org/0009-0006-4754-9625  
邮箱：[kunouyang@stu\.hit\.edu\.cn](mailto:[email protected])  
单位：哈尔滨工业大学计算学部，智能农场技术与系统国家重点实验室，哈尔滨，中国  

Konstantinos Siskos  
https://orcid.org/0009-0000-0596-2522  
邮箱：[siskos@synkrasis\-labs\.com](mailto:[email protected])  
单位：雅典国立技术大学电气与计算机工程学院，雅典，希腊  

Feng Li  
https://orcid.org/0009-0008-3995-0931  
注：通讯作者。  
邮箱：[feng\.li@hit\.edu\.cn](mailto:[email protected])  
单位：哈尔滨工业大学计算学部，智能农场技术与系统国家重点实验室，哈尔滨，中国  

Ran Meng  
https://orcid.org/0000-0003-4756-9934  
邮箱：[mengran@hit\.edu\.cn](mailto:[email protected])  
单位：哈尔滨工业大学计算学部，智能农场技术与系统国家重点实验室，哈尔滨，中国  

Jingchi Jiang  
https://orcid.org/0000-0003-2167-4082  
邮箱：[jiangjingchi@hit\.edu\.cn](mailto:[email protected])  
单位：哈尔滨工业大学计算学部，智能农场技术与系统国家重点实验室，哈尔滨，中国  

Dimitrios Stamoulis  
https://orcid.org/0000-0003-1682-9350  
注：项目负责人：FAIRY平台，智慧农场多智能体系统与世界模型。  
邮箱：[dimi@hit\.edu\.cn](mailto:[email protected])  
单位：哈尔滨工业大学计算学部，智能农场技术与系统国家重点实验室，哈尔滨，中国  

Jie Liu  
https://orcid.org/0000-0001-6209-6886  
邮箱：[jieliu@hit\.edu\.cn](mailto:[email protected])  
单位：哈尔滨工业大学计算学部，智能农场技术与系统国家重点实验室，哈尔滨，中国  

© 无

###### 摘要\.

本文介绍了FAIRY，这是一个为哈尔滨工业大学智慧农业基地运营中的大豆研究农场开发并部署的全栈智慧农业智能体系统。我们开发FAIRY是为了执行和评估跨越从垄准备、播种、灌溉、施肥、病虫害防治、收获、谷物处理、干燥到储存的全季*时空*工作流的智能体农业操作。FAIRY集成了生产级机械、固定土壤和冠层传感器、多光谱与热成像无人机、卫星植被产品、气象站、校准过的作物过程模型、农艺记录以及多季产量历史数据的API和基础设施。该系统围绕新颖的“万物皆事件”执行范式构建，该范式将时空世界演变、遥感和无人机观测、传感器读数、作物生长转变、机械操作和管理干预表示为共享农场过程引擎中的状态变更事件。在这一事件驱动的世界模型之上，FAIRY实现了一个完整的智能体技术栈：原子农艺技能的知识库；多智能体控制器和编排后端；前沿模型与边缘模型执行；全路径跟踪日志记录；以及在本地节点上的部署剖析。我们使用FAIRY评估了九个最先进的智能体控制器，测试场景为一百个完整大豆种植季场景，这些场景保留了64垄田块中空间观测、时序决策序列、农艺约束、延迟效应和最终产量之间的操作耦合。我们开发了一个评估套件，综合了智能体成功度、全路径时空正确性、Token成本以及边缘设备运行时间。我们的结果表明，我们提出的具有时空依据的肯德尔正确性（KTC）相较于现有的仅考虑顺序和完全匹配指标，能更好地与下游产量结果对齐。我们的进一步分析表明，层次化的农艺技能和专家操作上下文，相比地理空间上下文学习和LLM作为专家方案，能显著改善长期行为表现。

###### 关键词：

时空智能体，智慧农业，智能体评估，地理空间工作流，全季农场作业，世界模型

## 1\.引言

智能体AI的最新进展使得工具增强的语言模型在地理空间分析中日益有用，因为该领域的任务通常涉及在时空数据上进行数据发现、API选择、模型调用、地图操作和多步骤解释。先前的地理空间智能体系统已在遥感、地球观测、城市分析、林业、气候研究、农业监测和卫星视觉工作流中展示了这种潜力（Lee等人，2025 (https://arxiv.org/html/2609.00106#bib.bib31)；Bhattaram等人，2025 (https://arxiv.org/html/2609.00106#bib.bib30)）。正如商业地理空间平台最近的发布（例如Google Earth AI和Microsoft Planetary Computer用于农业和环境监测的产品）所反映的，这些场景天然适合智能体，因为地理空间工作流需要选择合适的影像或产品、应用空间滤波器、调用检测或分类模型、对中间结果进行推理，并生成基于地图的结果。

FAIRY智能体农场系统的全流程概览。
图1\. FAIRY在一个64垄运营研究农场上，对跨越整个大豆生长季（从播种到谷物储存）的智能体控制器进行部署和评估，耦合了空间观测、时序决策、延迟的农艺效应和最终产量。
FAIRY智能体农场系统的全流程概览。
尽管取得了这些进展，但为农业操作和复杂的农艺时空工作流部署智能体系统仍然困难。农场操作在三个具体方面有所不同（Yan等人，2026 (https://arxiv.org/html/2609.00106#bib.bib36)；Zhang等人，2026 (https://arxiv.org/html/2609.00106#bib.bib19)；Xu等人，2025 (https://arxiv.org/html/2609.00106#bib.bib20)；Seo和Lee，2026 (https://arxiv.org/html/2609.00106#bib.bib21)；Zuzuárregui等人，2025 (https://arxiv.org/html/2609.00106#bib.bib22)；Qu等人，2026 (https://arxiv.org/html/2609.00106#bib.bib1)）：反馈是延迟的：一个糟糕的播种决定会在几天后表现为出苗不良；一个错过的灌溉窗口会在几个月后表现为产量损失。观测是局部且空间性的：传感器在垄级别是区域性的，无人机受天气限制，地面检查稀疏，因此智能体在一个部分可观测的*空间*田块上进行推理。后果会传播：操作错误在整个生长季累积，因此一个行动可能在语法上是有效的，但在操作上是错误的，例如在谷物湿度不适宜时进行收获。

与此同时，地理空间智能体的实际部署通常继承了最初为网络自动化、编码或操作系统控制等领域开发的编排和评估实践，在这些领域，反馈是即时的，且操作空间受限于应用程序API。然而，与以云为中心的遥感和地理空间大数据流水线不同，农业应用引入了更广泛的评估层面：作物状态通过生物生长、天气、土壤水分动态、感知约束和管理干预而演变，因此智能体决策与跨越数天、数周和数个季节展开的物理过程相耦合。最终，智能体的性能不仅取决于成功的工具调用，还取决于空间覆盖度、时间对齐性、数据产品选择以及所产生分析的操作意义。

在这项工作中，我们为一个大学智慧农业研究站点（图1 (https://arxiv.org/html/2609.00106#S1.F1)）运营中的大豆研究农场呈现了一个全栈智慧农业智能体系统，该农场涵盖一个64垄的田块。真实的现场操作涵盖垄准备、播种、灌溉、施肥、病虫害防治、收获、谷物处理、干燥和储存。该场地拥有生产级机械；一个数字化的感知层，涵盖固定土壤和冠层传感器、多光谱与热成像无人机、卫星植被产品和气象站；一个校准过的、基于物理的过程模型；以及多季历史收成和产量记录。我们正在准备该田地的一个受控部分，由智能体与现有由人操作的工作流并行运行，目标是在即将到来的收获季比较智能体管理与人工管理的操作。这使得评估问题变得实际：在决定部署什么之前，我们需要了解智能体系统在真实农场操作上的表现。

为此，我们开发FAIRY作为用于运营农场的全栈智能体研究引擎。FAIRY首先集成了部署所需的农场端基础设施：生产级机械、固定土壤和冠层传感器、多光谱与热成像无人机、卫星植被产品、气象站、校准过的作物过程模型、农艺记录以及多季产量历史数据。然后，该系统通过“万物皆事件”执行模型来组织这些组件，其中天气更新、遥感观测、无人机巡检、传感器读数、作物生长转变、机械操作和管理干预被表示为共享农场过程引擎中的状态变更事件。在这一事件驱动的世界模型之上，FAIRY实现了我们评估中使用的智能体技术栈：一个基于检索的原子农艺技能知识库、九个具有可选智能体间（A2A）编排的智能体控制器后端、前沿模型与边缘模型执行、全路径跟踪日志记录，以及边缘设备部署剖析。

在将智能体部署到农场受控部分之前，我们需要一个能够演练超越有限历史观测季的农场操作的评估环境。校准过的农场世界模型允许我们构建与我们的田块几何形状、作物过程假设、感知层和操作工作流保持联系的现实场景，同时覆盖部署记录中尚未出现的条件。具体来说，我们构建了跨越三个复杂度级别（原子任务、情节链和全季场景）的一百个场景。我们开发了一个综合评估套件，涵盖任务成功率、时间正确性、覆盖度、全路径正确性和产量保持度。我们进行了广泛的度量校准研究，评估哪些跟踪级别的指标最能追踪产量，确定了具有时间依据的肯德尔正确性（KTC）作为最佳校准的预测器，并揭示了仅考虑顺序和完全匹配替代方案的失败模式。最后，我们包含了一个操作演示，该演示端到端运行相同的事件驱动运行时，从用户请求到无人机和卫星观测，再到FAIRY界面中的地理空间可视化。

我们的结果为在农场操作中部署智能体带来了四个实用的经验教训。首先，领域专业知识是主导杠杆：专家操作上下文将零上下文下的全季产量缺口从约22%降低到Qwen在保留测试的L3场景下的约5%。其次，智能体和农场性能在更长的时间跨度上出现分歧：短期任务几乎被解决，时间正确性≥99%，产量损失接近零，而全季场景仍显著低于人工基准。第三，多智能体A2A编排引入了协调成本，在我们的设置中降低了正确性和产量。第四，针对农业调整的LLM上下文只是人类专家上下文的不完全替代。我们将这些作为来自运营农场的现场观察报告；该引擎、场景和评估均有文档记录以供复现。

## 2\.FAIRY系统：架构概述

FAIRY的概述如图1 (https://arxiv.org/html/2609.00106#S1.F1)所示。该系统将事件驱动引擎、基于物理的过程栈、工具/感知层、知识库和智能体后端耦合在一起。

### 2\.1\.农场站点与API

农场设备与感知基础设施。研究站点是一个工业级的大学大豆研究农场，拥有一个建模为268\,\\mathrm\{m\}\\times 71\,\\mathrm\{m\}的田块，组织为64个垄，作为观察和干预的原子*空间*单元。我们通过源自已安装API和操作接口的函数调用工具，将农场能力暴露给智能体。如表1 (https://arxiv.org/html/2609.00106#S2.T1)所总结，该站点结合了固定的土壤、冠层、天气、光照、辐射和叶绿素传感；用于多光谱、热成像和LiDAR观测的无人机和校准资产；地面机器人平台；生产机械；喷洒设备；以及垄级的灌溉和施肥设施。

表1\.FAIRY智能体API紧密建模并连接底层农场设备和现场感知资产。
卫星影像与地图产品。我们使用Google Earth Engine（GEE）在目标感兴趣区域（AOI）上检索Sentinel-2地表反射率协调影像，AOI从GEE资产或本地AOI ZIP/shapefile中解析。检索流水线按AOI、日期范围和云像素百分比过滤场景，按云量排序候选场景，并将选定的影像导出为EPSG:4326投影下的10米GeoTIFF。我们通过GEE导出和Google Drive/API下载逻辑导出B2、B3、B4、B5、B6、B7、B8、B8A、B11和B12波段。下游，我们将栅格裁剪到AOI，并从EPSG:4326投影下的GeoTIFF边界进行地理配准以放置地图。为了可视化，我们使用B4/B3/B2 RGB波段生成卫星背景PNG，采用百分位拉伸和透明度遮罩，然后在基于Leaflet的地图UI中叠加结果。

卫星作物分类。我们使用内部开发的XGBoost多类别模型实现作物分类。分类器使用gbtree提升器和multi:softmax目标，接受十个Sentinel-2波段以及包括NDVI、kNDVI、GW1、GW2、LSWI、NDWI、EVI、EVI2、MSAVI、GNDVI、NDRE、GWCCI和REP在内的植被指数。我们使用几何掩膜从作物多边形中提取标记像素，并使用分层70/30的训练-测试分割。该模型支持从头训练以及加载预训练检查点并进行可选微调；在本研究中，我们未