AgriWorld: KI-Framework für landwirtschaftliche Analyse mit LLM-Agenten

In der Landwirtschaft werden immer mehr große Sprachmodelle (LLMs) mit umfangreichen, zeitlich und räumlich vernetzten Daten wie multispektraler Fernerkundung, Bodengitter und Feldmanagementprotokollen trainiert. Diese Modelle liefern beeindruckende Vorhersagen, jedoch fehlt ihnen die Fähigkeit, sprachbasierte Fragen zu beantworten und interaktiv mit den Daten zu arbeiten.

Um diese Lücke zu schließen, hat ein Forschungsteam das AgriWorld-Framework entwickelt. Es stellt ein Python-Ausführungsumfeld bereit, das einheitliche Werkzeuge für geospatiale Abfragen, Zeitreihenanalyse von Fernerkundungsdaten, Simulation des Pflanzenwachstums und spezifische Vorhersagemodelle (Ertrag, Stress, Krankheitsrisiko) zur Verfügung stellt.

Auf dieser Basis wurde der mehrstufige LLM-Agent Agro-Reflective konzipiert. Der Agent schreibt iterativ Code, führt ihn aus, beobachtet die Ergebnisse und verfeinert seine Analyse in einem Execute‑Observe‑Refine‑Loop. Durch diesen Ansatz kann der Agent komplexe, heterogene Agrardaten direkt nutzen und fundierte Entscheidungen treffen.

Zur Bewertung des Ansatzes wurde AgroBench eingeführt, ein skalierbares Datengenerierungssystem für vielfältige landwirtschaftliche Fragen, die von einfachen Lookup‑Operationen bis zu Prognosen, Anomalieerkennung und „Was-wäre-wenn“-Analysen reichen. Experimente zeigen, dass das execution‑driven Reflection-Modell die Leistung von reinen Text‑Modellen und direkten Tool‑Nutzungen deutlich übertrifft und damit die Zuverlässigkeit landwirtschaftlicher Entscheidungsprozesse verbessert.