《Computers and Electronics in Agriculture》：Agentic AI for Livestock Housing Management: Applications, Benchmarking, and Readiness Assessment
编辑推荐：
精准畜牧业（Precision Livestock Farming, PLF）正从基于传感器的观测向信息物理管理系统转变，这些系统通过连续反馈将感知、决策和有限行动连接起来。这一转变在畜禽舍管理中尤为重要，因为通风、热舒适、饲喂、卫生、饲养密度、动物移动和健康
精准畜牧业（Precision Livestock Farming, PLF）正从基于传感器的观测向信息物理管理系统转变，这些系统通过连续反馈将感知、决策和有限行动连接起来。这一转变在畜禽舍管理中尤为重要，因为通风、热舒适、饲喂、卫生、饲养密度、动物移动和健康监测会直接影响福利、生产力和疾病风险。因此，畜禽舍应被视为一个生物活性、安全关键且技术异质的管理环境，而非通用的农业应用。现有综述通常将监测、计算机视觉、数字孪生、决策支持和基础模型技术作为独立领域进行考察。本文对90项关于畜禽舍管理中智能体人工智能的研究进行了图谱化分析，确定了感知、数据访问和福利风险推理方面的最强证据，并表明奶牛拥有最成熟的物种特异性证据基础。本研究定义了从被动监测到安全约束自主性的就绪度水平，同时指出全舍自主控制在很大程度上仍未得到验证。总体而言，可用证据表明，智能体人工智能在畜禽舍管理中最成熟的应用是作为编排、解释和决策支持层。其近期价值在于将多模态感知、领域知识、生物约束和面向养殖户的接口整合到透明且可审计的工作流程中。向更高层次自主性的进展仍受到技术、生物学和操作层面的限制，特别是在决策可能对动物健康、福利或畜舍条件产生直接影响的情况下。
论文主体内容总结
1. 引言
论文指出，精准畜牧业（PLF）正从传感器观测迈向信息物理管理系统，通过连续反馈融合感知、决策与有限行动。畜禽舍作为生物活性、安全关键且技术异质的环境，其管理直接关乎动物福利、生产力与疾病风险。现有PLF工具多为测量、预警或预测系统，缺乏对感知、推理、协调、行动与安全的整合。作者提出四项主要贡献：定义畜禽舍管理的智能体概念并提出感知-推理-行动-安全（PRAS）循环框架；按物种与应用领域组织研究，区分直接应用、半智能体原型与使能技术；引入结合算法性能、生物学相关性、安全性、经济可行性等维度的分阶段基准框架；提出智能体畜禽舍就绪度量表（Agentic Livestock Housing Readiness Scale），明确从被动监测到监督式自主性的演进路径。
2. 研究领域与方法论
本研究采用结构化证据图谱与就绪度评估方法。检索Scopus和Web of Science数据库（1990-2026年），最终纳入90篇文献。纳入标准强调系统需具备感知、推理、规划、模拟、协调或安全验证等PRAS功能。文献被分为三类：直接畜禽舍应用、半智能体决策支持工具、以及使能技术。证据分为实验研究、原型系统、商业/近商业实施以及概念/情境/模拟四类。编码变量涵盖物种、生产场景、AI架构、应用领域、功能智能体程度与部署成熟度。就绪度依据验证设计、行动空间定义、人类监督、生物学相关性、安全约束与部署成熟度分层赋值，严格区分架构复杂度与实际操作就绪度。
3. 智能体AI基础、架构与使能技术
3.1 定义畜禽舍系统中的智能体性
论文将畜禽舍中的“智能体性”定义为连接感知、推理、规划与有限行动的能力，并受安全约束与人类监督制约。该定义是功能性的而非算法性的——计算机视觉模型、大语言模型（LLM）、数字孪生或多智能体系统只有在参与可审计的决策循环时才具相关性。智能体性分为多个层级：交互式决策支持（如检索增强生成（RAG）系统）、预测性与知识驱动系统（如CowNet-AI）、操作性智能体（连接机器人或执行器）、多智能体协调（如FARM框架）以及最高级别的安全约束智能体AI。当前证据显示，全舍自主管理仍是研究前沿，需要更强的生物学验证、安全保障与跨农场基准测试。
3.2 感知-推理-行动-安全（PRAS）循环
PRAS循环将感知、推理、行动与安全整合为一个管理周期。感知将动物、环境、生产与操作数据转化为可解释状态；推理将这些状态与科学知识、农场背景与管理目标关联；行动支持推荐、模拟、任务执行或协调工作流；安全则通过福利阈值、不确定性检查、可审计性与人类监督约束每个步骤。
3.2.1 感知
感知为所有高级智能体提供证据基础，包括RFID、加速度计、计算机视觉、声学传感与环境遥测等。论文指出感知成熟度在不同模态间不均衡：动物中心传感相对发达，环境感知日益与生物学指标关联，群体层面或弹性导向的感知仍较薄弱。主要瓶颈并非传感器可用性，而是信号在遮挡、校准漂移、缺失数据与跨农场异质性下的可解释性。
3.2.2 推理
推理将感知状态转化为管理相关的解释。大语言模型（LLM）、基础模型、检索增强生成（RAG）与多智能体系统构成主要推理层。论文强调推理质量应通过事实准确性、不确定性校准、来源可追溯性、生物学合理性与专家一致性评估，而非仅凭答案准确性。例如，CowNet-AI报告5%的幻觉率，FARM框架实现实体级F1分数0.80与关系验证准确率96%。
3.2.3 行动与安全
行动始于咨询输出影响管理之时。物理与信息物理行动标志着从建议到监督执行的过渡。模拟与虚拟原型提供了物理部署前的中间安全层。论文强调，在将模拟或监督输出转换为物理控制前，必须评估仿真到现实的差距、传感器与硬件可靠性、动物响应、执行器限制、隐私、干预错误、人工覆盖与可审计性。
3.2.4 PRAS循环中的技术映射
论文将所选文献中的技术组映射至PRAS循环。当前证据在感知与推理阶段最为强劲：自动监测、计算机视觉与行为标注代理生成行为指标与训练数据集；推理技术则将感知输出转化为来源可解释的解释、福利风险指标与可审计咨询响应。行动导向技术部署就绪度较低，数字行动（如自然语言接口）比物理执行更成熟。模拟与数字孪生提供了面向安全的测试层，但整体技术图谱显示出感知与咨询推理功能代表性强，而执行器介导的控制尚不成熟。
3.3 智能体架构
3.3.1 单智能体咨询与推理架构
单智能体系统使用单一推理层解释数据、检索证据并生成建议或解释。例如，Dairy GPT将自然语言查询转化为结构化数据库交互。主要局限在于范围受限——当任务需要持久记忆、传感器融合、多步规划或安全验证时，单一模型可能生成流畅解释却缺乏显式分解与可审计中间步骤。
3.3.2 协作式多智能体系统
协作式多智能体系统将功能分配至专门化智能体或模块，允许数据清洗、检索、知识图谱构建、模拟与响应生成分离且保持可追溯性。例如，农业数据管理副驾驶分离控制流与数据流；FARM框架构建多物种牲畜健康知识图谱，实现实体级F1分数0.80与关系验证准确率96%。此外，群体智能系统优化牛奶收集物流路线与资源分配。
