CEA 速读|让大模型“读懂”设施农业,ChatCEA 提升专业问答准确性

01｜导读

设施农业生产管理常常面临一个现实问题：技术知识分散在管理手册、论文和经验材料中，生产者很难快速获得准确、可执行的答案，尤其是涉及温度、湿度、营养液浓度等定量参数时，普通搜索引擎和通用大模型都容易出现信息不准、答案冗余或事实幻觉。本文速读一篇发表于 Computers and Electronics in Agriculture 的研究，解析其如何构建面向受控环境农业的知识驱动智能服务代理 ChatCEA，通过 RAG、领域知识库和知识整合模块，提升设施农业问答的准确性和实用性。

02｜文章信息

题目：ChatCEA: a knowledge-driven intelligent service agent for controlled environment agriculture

期刊：Computers and Electronics in Agriculture

作者：Fulin Xia, Jiandong Pan, Renhai Zhong, Wei Liu, Tongpeng Chen, Linchao Zhu, Yi Yang, Guichao Hua, Tao Lin

通讯作者：Tao Lin

作者单位：浙江大学生物系统工程与食品科学学院、浙江大学应用遥感与信息技术研究所、浙江大学计算机科学与技术学院、杭州四维生物科技有限公司

研究对象：受控环境农业智能问答与生产管理服务

核心数据：设施农业管理手册、期刊论文、CEA 问答基准数据集

核心方法：大语言模型、检索增强生成、知识库构建、混合检索、重排序、非结构化数据处理

论文链接：https://doi.org/10.1016/j.compag.2026.111733

引用格式：Xia, F., Pan, J., Zhong, R., Liu, W., Chen, T., Zhu, L., Yang, Y., Hua, G., & Lin, T. (2026). ChatCEA: a knowledge-driven intelligent service agent for controlled environment agriculture. Computers and Electronics in Agriculture, 248, 111733.

03｜研究问题

受控环境农业包括温室、植物工厂和垂直农场，核心特点是通过环境调控和栽培管理实现高效生产。但在实际生产中，种植者经常需要面对作物管理、环境参数调节、病虫害防控、水肥管理等复杂问题。

传统专家系统依赖固定规则，难以适应动态生产场景；搜索引擎虽然信息量大，但缺乏上下文理解，用户需要自行筛选和验证信息；通用大模型具备较强生成能力，但在专业设施农业场景中容易出现答案泛化、定量参数错误和事实幻觉。

本文关注的核心问题是：如何将大语言模型与设施农业领域知识结合，构建一个能够回答专业问题、处理定量参数、并支持本地部署的智能服务代理？

核心矛盾：设施农业问题专业性强、参数化程度高，而通用搜索和通用大模型难以稳定提供准确、可执行的答案。

04｜方法思路

文章提出了 ChatCEA，一个基于大语言模型和 RAG 的设施农业知识驱动智能服务代理。其核心逻辑是：不是让大模型完全依赖预训练知识回答问题，而是先从设施农业知识库中检索可靠上下文，再由大模型生成面向生产管理的答案。

ChatCEA 主要包括三个模块。第一是知识库模块，整合管理手册和期刊论文，为模型提供设施农业领域知识。第二是检索模块，将文本转化为向量表示，通过语义匹配从知识库中找到与用户问题相关的内容。第三是知识整合模块，进一步处理非结构化数据，并通过混合检索和重排序提升检索结果的准确性。

也就是说，ChatCEA 的关键并不是简单调用 GPT-4，而是通过“领域知识库 + 检索增强 + 知识整合”约束大模型回答，使其更接近真实生产需求。

核心方法：用设施农业知识库约束大模型生成，用 RAG 降低幻觉，用知识整合提升定量问答能力。

05｜知识库与基准数据集

文章构建了一个面向设施农业的双来源知识库。知识来源包括 276 份管理手册和 300 篇期刊论文。其中，管理手册更偏向实际生产操作，如温室配置、营养液管理、光照设计和环境控制；期刊论文则更多覆盖环境调控、病虫害管理和先进技术研究。

作者将知识库内容划分为环境控制、植物管理、病虫害、土壤与水培、水肥管理、综合流程管理和其他主题，以便模型在不同生产环节中进行针对性检索。

同时，文章构建了首个 CEA 专用问答基准数据集，共包含 1025 个问答对，并区分为定性问题和定量问题。定量问题涉及温度、湿度、营养液浓度、灌溉量、光照强度等具体数值，是检验模型能否真正服务设施农业生产的重要环节。

核心设计：知识库解决“专业知识来源”问题，CEA Benchmark 解决“系统评估标准”问题。

06｜主要结果

结果 1：ChatCEA 明显优于搜索引擎和通用 GPT-4

在随机抽取的 15 个问答样本中，ChatCEA 的答案正确率达到 0.71，高于 GPT-4 的 0.41 和 Google Search 的 0.44；LLM 评价分数达到 4.3，也高于 GPT-4 的 3.8 和 Google Search 的 2.5。说明领域知识增强后，大模型在设施农业专业问答中的准确性和可用性明显提升。

结果 2：领域知识库提升所有主题下的回答表现

在植物管理、水肥管理、土壤与水培、病虫害和环境控制等主题中，ChatCEA 均优于 GPT-4。其中，水肥管理和植物管理提升最明显，说明通用大模型在专业参数和具体操作建议方面仍存在不足，领域知识库能够有效补齐这一短板。

结果 3：知识整合模块强化定量问答能力

面对定量问题时，GPT-4 容易缺少关键数值信息，传统 RAG 又可能检索不到最相关内容。ChatCEA 通过非结构化数据处理、混合检索和重排序，能够更好地从文本和表格中提取温度、湿度等数值信息，并将其放入正确语境中。其定量任务 LLM 评价分数达到 4.47，定性任务为 4.42，表现较为稳定。

结果 4：管理手册对实用问答贡献突出

去除管理手册后，ChatCEA 在所有主题中的表现均下降，尤其是植物管理类别下降最明显。这说明设施农业智能问答不能只依赖论文知识，还需要大量操作型、经验型和生产型知识支撑。

07｜研究启发

这篇文章的启发在于，它把农业大模型应用的重点从“能不能回答”推进到“能不能基于可靠知识回答”。

对于设施农业这类高度专业化、参数化和场景化的生产系统，通用大模型的语言能力并不等同于生产决策能力。真正有价值的智能服务代理，需要同时具备三个基础：高质量领域知识库、可靠检索机制和对定量信息的精准处理能力。

同时，文章也提示我们，农业智能体建设不能只关注模型本身，还要关注知识来源、知识结构、检索质量和评估基准。尤其是在农业生产管理中，一个错误的温度、湿度或营养液参数，可能直接影响作物生长和经济收益。

08｜一句话总结

这篇文章构建了面向受控环境农业的知识驱动智能服务代理 ChatCEA，通过领域知识库、RAG 和知识整合模块，显著提升了设施农业专业问答的准确性、定量参数提取能力和生产管理实用性。

09｜关键图表

图 1｜ChatCEA 技术框架

展示 ChatCEA 的整体结构，包括知识库模块、检索模块、知识整合模块和 CEA Benchmark，是理解全文方法设计的核心图。

图 3｜实验设计流程

概括 Google Search、GPT-4、传统 RAG 和 ChatCEA 的对比实验设计，展示文章如何从模型性能、知识来源和知识整合模块三个层面验证系统效果。

图 4｜ChatCEA 与 Google、GPT-4 性能对比

比较三类系统在答案正确率和 LLM 评价分数上的表现，直观体现 ChatCEA 相比搜索引擎和通用大模型的优势。

图 5｜不同 CEA 主题下的模型表现

展示 ChatCEA 和 GPT-4 在植物管理、环境控制、水肥管理、病虫害、土壤与水培等主题中的表现差异，说明领域知识库的增益具有普遍性。

图 7｜定性与定量问题表现对比

比较 ChatCEA、GPT-4 和传统 RAG 在定性、定量任务中的表现，突出 ChatCEA 对数值型生产问题的处理能力。

图 8｜定量问答案例对比

通过番茄灰霉病温湿度管理问题，展示 GPT-4、传统 RAG 和 ChatCEA 在关键数值、语义准确性和答案可用性方面的差异。

图 10｜知识来源贡献分析

展示管理手册和期刊论文共同构建知识库后对 ChatCEA 性能的提升，说明生产管理类知识在设施农业智能问答中的重要作用。