基于大语言模型的农业用户主体需求关键因子提取方法

01 现存问题

1. 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。

2. 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。

3. 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。
4. 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。

1. 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。
2. 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。
3. 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：

1. 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；
2. 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；
3. 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。