编辑推荐：
基于人工智能的智能体正在成为一种变革性范式，使农业能够在复杂的数据和操作环境中实现自主感知、推理、决策和协调行动。这些系统有望提高生产力、韧性、资源效率和粮食安全，同时也引发了与鲁棒性、互操作性、数据治理、信任、公平性和监管相关的挑战。本综述审视了这些系统在农
基于人工智能的智能体正在成为一种变革性范式，使农业能够在复杂的数据和操作环境中实现自主感知、推理、决策和协调行动。这些系统有望提高生产力、韧性、资源效率和粮食安全，同时也引发了与鲁棒性、互操作性、数据治理、信任、公平性和监管相关的挑战。本综述审视了这些系统在农业领域的兴起，并概述了其开发与部署的研究优先事项。
分类体系与智能体人工智能（Agentic AI）的组成部分
从智能体到智能体再到多智能体系统的演进表明，以智能体为中心的视角为开发智能系统的关键组件提供了更清晰的框架。一个智能体通常被定义为能够在特定环境中自主行动以实现设计目标的实体。智能体进一步强调灵活性，包括反应性、主动性和社会能力。多智能体系统由多个独立运行但相互协作的专门化智能体组成，通过模块化设计带来复用性优势，但也面临通信可靠性的挑战。
智能体的核心组件包括感知、推理与决策、行动以及学习与适应，它们在一个连续循环中运作。感知负责从物理或数字环境中收集信息，行动则通过执行器或API与环境交互。现代智能体系统利用大型语言模型（LLM）增强推理和学习能力，并结合检索增强生成（RAG）和外部记忆系统来解决领域知识不足和幻觉问题。工具使用通过模型上下文协议（MCP）标准化，使智能体能够获取外部知识和能力。多智能体系统中的智能体间协调则依赖智能体到智能体（A2A）协议，实现实时安全协作。
农业系统中的新兴工作与试点案例研究
通过Web of Science数据库检索，研究人员发现2022年11月至2025年11月期间，农业领域基于LLM的智能体系统研究仍处于早期阶段，仅有19篇相关工作。这些工作分为三类：单智能体聊天型（如AgriBERT、ChatAgri、PLLaMa、PlantGPT）、单智能体行动型（如ChatLeafDisease、Wu等人的作物管理系统）和多智能体系统型（如PhenoAssistant、Aleks）。趋势显示，该领域正从基础聊天界面转向面向行动和多智能体架构，并越来越多地与区块链、仿真平台和机器人接口集成。
三个代表性案例展示了不同的多智能体协调架构：PhenoAssistant是一个开源对话式多智能体系统，用于植物表型分析，通过管理器智能体和专用工具箱实现任务分解、工具选择和结果合成；Aleks是为植物科学自主科学发现设计的三个智能体系统，包含领域科学家、数据分析师和机器学习工程师，通过共享反射记忆迭代优化；花生智能体人工智能系统（PAAS）是一个概念框架，通过编排器智能体协调五个专门化智能体，分别处理生长调节剂施用、灌溉、叶斑病管理、成熟度评估和投入品采购，采用A2A和MCP协议实现通信。
AI驱动智能体系统在农业中的挑战
技术挑战包括知识与信息差距、具身性与物理集成以及多智能体协作与共识。农业AI智能体常面临数字资源分布不均和本地化知识缺失的问题，导致LLM容易产生幻觉。具身化方面，模拟到现实（sim2real）差距使得数字策略在真实农田环境中失效，需应对噪声传感器、机械约束和极端天气。多智能体系统中，简单的任务分发往往效果有限，需要结构化通信协议和透明协商机制来处理农学、经济和环境目标之间的复杂权衡。
社会挑战涵盖数据隐私与所有权、安全可靠性以及法律责任与问责。农业数据隐私问题因现有法律框架主要针对个人可识别信息而凸显，联邦学习和RAG等技术提供了保护隐私的路径。系统部署必须假设不完美，建立监控、验证和回退机制，将每个决策视为概率性的而非确定性的。法律责任方面，自主决策导致的损失难以在开发者、部署者和最终用户之间分配责任，需要政策制定者、技术开发者和农业从业者共同建立问责框架。
潜在应用与未来研究方向
自主科学发现在表型组学和育种领域有广阔前景。主动感知与自适应表型分析使高吞吐量表型分析（HTP）机器人能动态调整飞行路径或传感器模态，优先关注高价值基因型。根际解码与基因型×环境（G×E）交互研究中，智能体系统可通过自适应分割提取根系结构特征，并关联基因组数据定位关键基因区域。闭环发现借鉴化学领域的“自动驾驶实验室”（SDL）范式，使AI能自主提出假说、设计实验并解释表型结果，从而加速数字育种。
生产管理中的知情决策支持通过整合检索增强生成（RAG）、动态数据集成和数字孪生，实现主动式综合管理。在水肥智能管理中，智能体结合过程模型与可微分的约束感知混合模型，利用强化学习（RL）生成可变速率灌溉和氮素计划，注重长期可持续性。在作物胁迫靶向干预中，智能体通过融合多模态信号进行主动诊断与规划，模拟不同策略的产量保护和环境影响，并提供可审计的建议。
具身智能体在收获和农场物流中的应用体现在视觉-语言-动作（VLA）模型指导机器人执行复杂任务，以及多机器人系统协同工作。多个AI智能体控制无人机和地面机器人车队，动态调整侦察路线并进行靶向干预。收获作业中，具身智能体能自适应调整视角和处理不确定性，同时高层规划系统优化任务排序和运输流程。
监管与政策方面，智能体可帮助政策制定者消化遥感数据、调查结果和利益相关者报告等大量异构数据，生成可操作的洞察。例如，利用LLM自动解析农业伤害新闻报告并构建结构化数据库，辅助安全法规制定和投资优先级确定。
