智能体是您所需：开创性利用智能体人工智能将大语言模型融入乳业科学

本研究针对大语言模型（LLM）在乳业科学领域应用中存在生成不准确或无关回答的问题，开发了一种基于检索增强生成（RAG）和智能体人工智能（AI）的双组件系统。该系统包括基于《Journal of Dairy Science》（JDS）文献的决策支持聊天机器人，以及可与学术模型交互的自然语言界面，显著提升了回答的准确性和实用性，为乳业科研与生产提供了可靠的智能决策支持工具。

　　

在当今信息爆炸的时代，人们面临着前所未有的数据洪流，如何从海量信息中提取有价值的知识并做出明智决策，已成为科研与生产领域的核心挑战。特别是在乳业科学这一专业领域，尽管人工智能（AI）技术已在医疗、教育、商业和作物科学等多个行业展现出变革性潜力，但通用大语言模型（LLM）在处理及时性、领域特异性问题时，往往表现不佳。它们可能生成与事实不符甚至误导性的回答——这种现象被称为“幻觉”（hallucination），严重限制了LLM为乳业科学家、兽医和生产者在提供循证决策支持方面的应用价值。不准确的答案不仅可能导致实际负面后果，还会侵蚀用户信任。因此，亟需一种更可靠、更专业的解决方案，以充分释放AI在推动精准乳业管理、兽医护理和农场决策方面的潜力。

为了应对这些挑战，研究人员开展了一项开创性研究，旨在探索如何将LLM与智能体人工智能（Agentic AI）系统相结合，构建一个专为乳业科学定制的智能决策支持平台。该研究由E. Liu、H. Yang、S. Sharma、M.B. van Leerdam、P. Niu、M.J. VandeHaar和M. Hostens合作完成，并发表在《Journal of Dairy Science》上。

研究团队开发了一个双组件的智能体系统。第一个组件是一个基于《Journal of Dairy Science》（JDS）文献的决策支持聊天机器人，它能够提供科学支持的见解；第二个组件是一个自然语言界面，用于与学术模型交互并可视化预测结果。为了构建系统的知识基础，研究人员通过PubMed应用程序编程接口（API）收集了自1917年以来所有公开发表的JDS摘要及相关元数据，形成了一个庞大的科学知识库。在此基础上，他们采用了检索增强生成（RAG）框架，确保由Meta开发的LLaMA模型生成的回答能够基于同行评审文献，并为每个答案引用5个最相关的来源。为了处理JDS文献覆盖范围之外的问题，系统还集成了一个网络搜索智能体，可以从外部在线资源获取补充信息。此外，系统还引入了由Databricks开发的DBRX模型驱动的评分智能体，用于评估LLM生成内容的可信度和相关性，以降低错误信息或幻觉回答的风险。第二个组件实现了与MilkBot（一个已发布的贝叶斯产奶量预测模型）的自然语言交互。用户可以用通俗语言提交问题，系统将问题转换为模型参数，执行预测，并利用预测结果生成可视化图表。

在技术方法上，研究主要依托以下几个关键方面：首先，利用PubMed API大规模收集并整理了JDS自1917年以来的摘要及元数据，构建了领域知识库；其次，采用检索增强生成（RAG）框架结合LLaMA和DBRX等大语言模型，实现多智能体协作下的问答生成与自我评估；第三，集成外部网络搜索功能以补充知识盲区；最后，开发自然语言接口连接MilkBot预测模型，实现参数自动提取与结果可视化。

研究结果部分通过多个维度展示了系统的性能与实用性。

在“Demonstration of Agentic RAG in Handling Diverse Question Types”中，系统成功处理了三种不同类型的查询：当用户询问“如何在不降低产奶量的情况下减少奶牛的甲烷排放？”时，系统激活检索流程，从JDS文献中获取相关科学文献，生成回答并附上适当引用；当问题涉及“2025年2月NIH有哪些新闻需要关注？”时，系统通过网络搜索智能体获取相关新闻文章，生成回答并引用来源；而当问题超出系统范围（如“你认识Enhong Liu吗？”）时，系统能正确识别并拒绝回答，展示了其良好的边界控制能力。

在“Interactive Use Cases: Natural Language Interface for Milk Yield Prediction”中，系统展示了其与预测模型交互的强大能力。用户可以用自然语言（支持多语言）查询，例如“能展示美国奶牛的产奶量曲线吗？”系统会基于MilkBot模型生成美国奶牛不同胎次（parity 1、2、3+）的平均泌乳曲线；当询问“能比较欧盟和美国胎次1奶牛的产奶量曲线吗？”时，系统检索并可视化两者的曲线，支持直接对比；用户还可以查询特定预测值，如“能提供欧盟胎次2奶牛在DIM（分娩后天数）30、50、80、100、150、250和300时的预测产奶量吗？”系统会生成并呈现相应数值；甚至用中文提问“可以展示下美国奶牛产奶量曲线吗？”，系统也能正确理解并生成相同结果，体现了其多语言适应性。

研究的讨论部分强调了该系统在乳业科学中的开创性意义。与以往主要关注分类或预测模型的AI应用不同，本研究引入了一种自适应系统，旨在解决数字时代的新挑战：现代乳业操作产生大量异构数据流，涵盖基因组学、营养、动物健康、环境影响和传感器输出等，但解释、整合这些数据的工具往往分散或难以被非技术用户使用。智能体AI赋能的LLM系统提供了一个有前景的解决方案，它作为一个可扩展、直观的接口，能够将复杂、多源数据转化为可操作知识，增强利益相关者之间的沟通和决策。

研究团队选择LLaMA而非GPT系列模型，主要是出于隐私和安全考虑。开源模型如LLaMA可以在私有环境中运行，避免敏感数据泄露风险，同时LLaMA 70B表现出与GPT-3.5相当的逻辑推理和回答生成能力，足以满足应用需求。该系统框架在其他领域（如医疗、金融、法律和教育）的成功应用也为其在乳业科学的推广提供了借鉴。特别是智能体系统相较于普通LLM的优势在于其能够与更广泛的数据模态交互，包括学术模型如MilkBot。虽然当前MilkBot仅支持调整DIM、胎次和区域等参数，但研究展示了系统扩展到更多模型和更广泛用例的潜力，例如未来整合营养模型后，用户可以直接询问“如何用我现有的饲料原料A、B和C配制日粮以最大化产奶量？”，从而提供更贴合实际决策的数据驱动见解。

该系统对科学界、顾问和生产者均有重要价值。对科研人员，它能提供新兴研究的及时更新，支持知识发现和假设生成，例如帮助探索甲烷排放与瘤胃微生物群和饲料成分之间的关联，并通过对现有研究的分析提出被忽视的变量或相关性，可能催生新的研究问题和合作。对顾问和推广专家，它可以增强咨询服务，提供数据驱动的、针对特定农场的建议，例如结合实时天气数据、历史群体表现记录和文献，为热应激管理提供优化策略。未来，将智能体AI工作流程集成到现有商业乳业平台（如DairyComp或PCDART）中，可以显著增强农场智能，支持更有效的决策。

然而，研究也指出了系统当前的局限性。作为概念验证，它仅依赖JDS摘要，可能忽略了其他期刊、教科书、农场报告和真实世界数据的见解。不同研究可能对类似问题给出矛盾结论，因此未来需要开发方法来自动识别、背景化并分析这些冲突。模型交互子系统目前仅依赖一个预测模型，适用性有限，需要跨领域研究者合作开发更全面的预测模型套件。同时，MilkBot模型仅基于美国和欧盟合作伙伴提供的有限数据训练，可能无法充分代表更广泛的奶牛群体，需要更大、更多样的数据集来增强其泛化能力和适用性。

此外，研究还讨论了伦理、监管和社会因素。AI决策过程的不透明性是一个关键挑战，需要通过可解释AI技术来提高透明度，建立用户信任。监管框架也需制定最佳实践和指南，明确责任归属，例如如果农民遵循AI生成的建议却对群体健康或利润产生负面影响，谁应承担责任。数据治理同样重要，必须实施强大措施防止专有或敏感信息意外暴露，加强隐私保护，确保AI模型遵守知识产权法规。

总之，这项研究证明了LLM在精心指导、基于相关领域文献并与外部模型集成后，可以开始满足现代乳业对智能、用户友好工具的需求。研究旨在激发创新和跨学科对话，推动下一代AI赋能工具在乳业科学的发展。随着LLM技术的快速演进，其成功采用将依赖于持续适应、定制化以满足乳业特定需求，并高度关注可访问性、透明度和安全性。通过这项工作，研究团队希望激励进一步探索和共同开发智能系统，以促进乳业领域的科学研究和实际成果。