《AgriEngineering》：Agentic AI-Based IoT Precision Agriculture Framework—Our Vision and Challenges
Danco Davcev,
Slobodan Kalajdziski,
Ivica Dimitrovski,
Ivan Kitanovski and
Kosta Mitreski
编辑推荐：
本研究针对当前AI驱动的精准农业(PA)系统多为决策支持、集中式且缺乏实时闭环响应的局限性，提出并形式化了一个基于Agentic AI的物联网(IoT)框架。该研究构建了一个以多智能体部分可观测马尔可夫决策过程(MPOMDP)为理论基础的分布式架构，整合了视觉感知与环境传感等多模态信息，实现了感知-决策-行动的闭环自主协调，并通过概念验证展示了其在作物保护等场景下进行自适应、资源高效决策的可行性与模块化潜力，为可持续智慧农业向全自主化演进提供了系统性的解决方案。
全球农业正面临前所未有的压力：到2050年，全球人口预计将超过95亿，而气候变化加剧、资源短缺和劳动力不足等问题日益严峻。在这种背景下，传统的、依赖统一投入和人工监控的耕作方式显得力不从心。尽管以物联网(IoT)、人工智能(AI)和无人机(UAV)等技术为核心的“农业4.0”和精准农业(Precision Agriculture, PA)已取得显著进展，例如在优化产量、节约水资源和提高投入品效率方面，但现有系统大多仍停留在“决策支持”层面。它们通常是集中式的、基于规则的，并且以周期性数据采集和分析为主，生成的推荐需要人类来理解和执行。这种模式在面对天气骤变、虫害爆发等高度动态的农业环境时，反应迟缓，无法实现快速、自主、情景感知的干预。
为了突破这一瓶颈，一项发表于《AgriEngineering》的研究提出并深入阐述了一种全新的范式：基于Agentic AI的物联网精准农业框架。这项研究的核心目标，是推动农业系统从被动的数据分析，转向主动的、闭环的“感知-决策-行动”自主运作。研究人员构想了一个由多个目标驱动的智能体(Agent)组成的分布式系统。这些智能体各司其职，有的负责通过无人机、传感器进行多模态环境感知，有的负责在信息不确定的情况下进行推理，还有的负责制定自适应决策并驱动灌溉、喷洒等执行机构行动。为了让这个复杂的系统协调有序，研究团队用多智能体部分可观测马尔可夫决策过程(Multi-Agent Partially Observable Markov Decision Process, MPOMDP)这一严谨的数学模型对其进行了形式化定义，从而系统地处理智能体间的协同、环境不确定性和决策策略。研究不仅提出了理论框架，还提供了一个针对作物保护的参考性多智能体协调工作流程，并利用公开数据集进行了概念验证。实验整合了视觉感知模型和表格推理模型，演示了多模态信息如何被融合，以支持自适应的、考虑资源效率的决策过程。结果表明，该框架在可行性、模块化和协调能力上展现出潜力。这项工作不仅为构建真正自主的农业系统提供了清晰的架构蓝图，也指出了迈向实际部署所面临的技术、经济和可持续性挑战，强调了与“净正AI能源”原则对齐的重要性，即AI系统带来的环境与资源收益应大于其运行本身的能耗。
为验证所提框架，研究人员主要运用了以下几项关键技术方法：首先，采用多智能体部分可观测马尔可夫决策过程(MPOMDP) 对整体系统进行数学建模，以形式化地描述智能体、状态、观察、行动、转移动力学和奖励函数。其次，设计了多智能体协调工作流，明确定义了感知、推理、决策、规划等不同类型智能体的功能角色与交互机制。第三，利用公开可用的多模态数据集（包括视觉图像和环境传感数据）进行概念验证实例化。第四，整合了基于视觉的感知模型（用于分析无人机影像等）和基于表格的推理模型，并通过自适应证据融合与决策策略来实现闭环操作。最后，在分析中引入了净正AI能源原则作为系统级可持续性的评估维度。
研究结果
- •
提出了一个完整的Agentic AI-IoT PA架构：研究清晰地定义了Agentic AI在精准农业中的内涵，并将其与传统AI驱动的PA系统区分开来。传统系统多为集中式、推荐式、反应式的，而Agentic AI系统是分布式、自主式、前瞻式的，能够形成完整的感知-决策-行动闭环。该架构包含从多模态数据采集、处理与融合，到智能体协调决策，再到自动执行与反馈学习的完整层次。
- •
建立了形式化的MPOMDP模型：为了给框架奠定坚实的理论基础，研究将整个多智能体农业系统建模为一个MPOMDP，即一个六元组?? = ??, ??, {??i}, {??i}, ??, ??。其中，?是智能体集合，??是环境状态空间，{??i}和{??i}分别是各智能体的观察空间和行动空间，??是状态转移概率，?是共享奖励函数。这个模型允许智能体在部分可观测、存在不确定性的环境下，基于对状态的“信念”进行协同决策，以最大化长期累积奖励。
- •
构建了作物保护智能体协调工作流：研究以农药管理为例，详细阐述了一个参考性的多智能体协调工作流程。该流程涉及无人机影像采集智能体、环境传感智能体、病虫害视觉检测智能体、风险评估与决策智能体以及无人机喷洒执行智能体等。这些智能体通过信息流和指令流进行交互，最终实现从监测到精准施药的自动化闭环。
- •
完成了概念验证与可行性演示：利用公开数据集，研究实例化了所提出的框架，将视觉感知智能体（用于分析作物图像）和环境推理智能体（用于处理土壤、气象数据）结合起来。实验演示了多源证据如何被融合，以及系统如何根据融合后的信息做出自适应决策（如是否需要干预、何时何地干预），证明了框架在协调异构智能体和处理多模态信息方面的基本可行性与模块化特性。
研究结论与讨论
本研究的核心贡献在于提出了一个统一、形式化、面向闭环自主运行的Agentic AI-IoT精准农业框架。与现有工作中通常孤立关注传感、分析或决策支持某一部分不同，该框架首次系统地将物联网感知层、多模态感知与推理智能体、协同行动规划整合在一个分布式智能体架构中。这为解决当前农业AI领域的一个关键缺口——即预测性智能模型很少与分布式决策循环、自主执行装置以及在可持续田间干预中形式化 grounded 的控制相结合——提供了可行的路径。
研究明确了Agentic AI-PA与传统AI-PA的根本区别，即从“生成建议”到“自主执行”的范式转变。通过MPOMDP形式化，为处理农业环境中的不确定性、部分可观测性以及多智能体协调提供了严格的数学工具。所展示的概念验证虽未进行田间实测性能对标，但成功揭示了框架在整合多模态信息、实现自适应决策方面的模块化与协调能力。
在讨论中，论文强调了将该框架推向实际应用所面临的诸多挑战，包括数据质量与异构性、边缘与云端的计算资源分配、系统可靠性、与物理执行机构（如无人机、灌溉阀）的硬件集成、以及大规模部署的可扩展性。特别重要的是，研究将提出的模型与“净正AI能源”原则对齐，指出评估此类AI系统时，必须权衡其带来的资源节约（水、肥料、农药）与环境效益与其自身运行和模型训练所消耗的能源，以确保其整体可持续性。
未来工作方向包括在真实农田环境中进行长期部署与验证，开发更高效的边缘智能算法以降低能耗与延迟，以及设计更完善的安全与监管机制（如人类在环监督、约束感知决策策略），以确保自主农业系统既高效又可靠、安全且符合伦理规范。这项研究为迈向下一代全自主、可持续的智慧农业奠定了重要的理论与架构基础。
