文章目录01 现存问题02 论文创新点03 数据收集与处理3.1 数据收集3.2 数据预处理3.3 数据标注04 方法设计4.1 整体框架4.2 三阶段递进式模型训练4.3 多智能体协同运行架构05 实验01 现存问题农业用户需求文本具有鲜明的领域特征带来天然具有的挑战内容上高度专业化涵盖作物种类、病虫草害、施肥技术、气象灾害等多个子领域。表达方式则呈现出多样性与非标准化特征常包含口语化、模糊化和区域化的表述语义理解高度依赖上下文推理能力。农业需求具有显著的动态性和多因交互性受到季节、气候、政策、市场等多重因素影响其演变规律呈现非线性和非平稳性特征从而加剧了需求解析的复杂性。亟待解决的关键问题如何从海量、非规范的农业需求文本中精准提取核心因子。传统方法存在短板规则模板与关键词匹配法对农业用户需求进行模式化解析。实现简单、计算成本低但只能处理模式化表达在面对复杂语义时适应性不足。机器学习方法支持向量机SVM和随机森林等依赖人工设计特征通过统计学习实现文本分类与因子抽取。SVM 对标注语料质量敏感且难以处理复杂语义和上下文依赖。RF在应对语义歧义与上下文依赖时依旧存在局限且对高质量标注语料依赖较大泛化能力有限。现有深度学习方法存在局限以BERT、BiLSTM为代表的深度学习模型仅能完成表层语义建模无法深度解析多维度因子。模型缺乏可解释性结果难以追溯限制了其在高风险农业决策中的应用。大语言模型LLMs在农业需求分析任务中存在显著缺陷通用 LLMs对方言、农业专业术语的识别精度不足易导致关键因子遗漏现有研究多聚焦单一任务未涉及需求分类-因子提取-解释生成的全流程结构化分析难以处理多步骤、多维度的复杂需求解析且可解释性支撑不足无法满足农业决策对结果透明性的要求。02 论文创新点(1) 提出基于LLMs的“3阶段训练多智能体协同”方法专项解决农业用户需求关键因子提取的核心痛点。(2) 提出农业需求分析智能体系统(Agri-NeedAgent)。通过融合LLM能力、多智能体协同与领域知识增强实现农业用户需求的精准解析与结构化输出。03 数据收集与处理3.1 数据收集构建三层数据体系8 万条农业领域文本用于领域预训练2.28 万条来自论坛、热线、专家访谈的真实场景样本用于任务微调整合专著、问答、论文、政策的多源异构知识库用于推理支撑与结果溯源。3.2 数据预处理建立7大类30个子标签的需求分类体系覆盖农业全场景需求类型5 维度关键因子提取标准涵盖核心实体、属性特征、关键措施、环境条件、量化指标。3.3 数据标注采用3人独立双盲标注以Kappa系数校验一致性实际值 0.88经复核筛选出 1.58 万条高质量样本按比例划分为训练、验证、测试集。样本中种植管理、病虫害防治类占比最高贴合实际生产需求。04 方法设计4.1 整体框架本研究提出的基于大语言模型的农业用户关键因子提取方法以“领域知识注入-多智能体专业 化协同-结构化解析输出”为核心设计思路由三个模块构成。采用农业领域知识预训练 - 需求因子提取导向优化 - 农业知识低秩适配三阶段递进训练策略实现大模型的农业领域语义增强与任务专业化适配。构建管理型 任务型的多智能体架构赋予管理智能体 ReAct 推理行动思维模式通过多智能体动态调度与专业化分工完成需求分类、关键因子提取、结构化可解释输出的全流程处理。搭建多源异构农业知识库作为模型推理的语义锚点与结果溯源的证据库为分析过程提供专业语义支撑与验证依据。4.2 三阶段递进式模型训练以Qwen3-1.7B为基础模型通过逐层递进的训练策略实现模型从通用语言能力到农业需求解析能力的平滑迁移领域知识预训练输入8万条农业领域文本政策、农技、栽培指南等让模型掌握农业专业术语、行业表达与上下文逻辑夯实领域语义基础需求因子提取导向优化基于标注样本以“指令 输入 输出”三元组格式做指令微调结合少样本提示与思维链策略建立“需求文本→类型识别→因子提取”的任务映射能力农业知识低秩适配采用LoRA轻量化微调技术分别对需求分类、关键因子提取两个子任务做专项优化仅训练少量参数即可提升任务精度同时完整保留模型通用语言能力大幅降低训练成本。4.3 多智能体协同运行架构构建1 个管理型智能体 3 个任务型智能体的分工协作体系解决单一智能体认知过载、结果完整性不足的问题管理型智能体MA采用 ReAct推理 行动思维模式是全流程的调度与管控核心负责任务拆解、执行顺序调度、中间结果校验、不合格重试最终整合输出统一格式的分析报告需求分类智能体DCA依据 7 大类 30 个子标签体系完成需求类型的精准识别关键因子提取智能体KFEA按照 5 类标注维度提取需求核心要素并结构化输出综合解释生成智能体SEGA整合分类与提取结果结合知识库生成逻辑清晰、有专业依据的可解释性分析。05 实验表4对比了传统BERT模型、多款通用大模型与本文提出的Agri-NeedAgent在农业用户需求分析任务中的表现。Agri-NeedAgent在需求类型准确率、关键因子提取F₁值、接口合规率、可解释性四项核心指标上均全面领先且结果稳定性最优。通用大模型性能随参数量提升但存在边际效益递减而基于小参数模型的领域适配与多智能体优化方案实现了对更大参数通用模型的性能反超在输出规范性与可解释性上的工程落地优势更突出。消融实验表5为Agri-NeedAgent的消融实验结果通过逐一移除核心组件验证各模块的作用。移除任意组件后各项指标均出现下滑其中领域预训练、LoRA微调对需求识别与因子提取的核心精度影响最显著管理智能体与ReAct思维链主要影响输出合规性与稳定性外部知识库则是可解释性的核心支撑移除后可解释性评分从90.2大幅降至77.6充分验证了整套架构各模块的必要性与设计合理性。