山羊养殖RAG新突破
山羊养殖RAG新突破
?arXiv 15-Sep-2025 LongContext相关论文(2/5)\n?更多论文见主页/合集\n?arXiv ID: arXiv:2509.09848\n?论文标题: Towards an AI-based knowledge assistant for goat farmers based on Retrieval-Augmented Generation\n? 问题背景：传统LLM在山羊养殖领域的应用受限，面临知识源分散、结构化数据处理困难及信息时效性挑战，导致决策支持系统难以提供准确、实用的建议。\n? 研究动机：为解决山羊养殖中专业知识获取困难、决策支持不足的问题，研究团队提出基于RAG的智能知识助手系统，旨在提升养殖健康管理水平。\n? 方法简介：该系统采用模块化架构，通过表格文本化和决策树文本化两种结构化知识处理方法，构建涵盖疾病防治、营养管理等五大领域的专业知识库，并集成在线搜索模块。\n? 实验设计：通过六组消融实验评估系统性能，在验证集和测试集上分别达到87.90%和84.22%的平均准确率，三种基于不同知识类型的问答任务准确率均超过85%。\n山羊养殖在全球农业系统中扮演重要角色，为资源受限地区提供收入保障和粮食安全。随着畜牧业生产集约化发展，精准畜牧养殖(PLF)技术需求不断增长。然而，现有监测系统往往缺乏情境感知能力，难以提供可操作的管理建议。传统基于规则的决策支持系统受限于预定义规则完整性，而深度学习方法则主要局限于状态检测，无法提供上下文感知的决策建议。\n大型语言模型(LLM)的出现为解决这一问题提供了新思路，但在专业领域应用中仍面临幻觉、知识碎片化和知识时效性三大挑战。检索增强生成(RAG)技术通过将模型响应建立在特定领域知识源基础上，可有效缓解这些问题。然而，畜牧业中大量关键知识以表格和决策树等结构化形式存在，传统LLM难以有效处理。\n为解决这些挑战，研究团队提出了一种模块化智能知识助手系统。该系统首先开发了表格转文本和决策树转文本的转换方法，使LLM能够有效理解和推理结构化养殖知识。检索和转换的内容被系统组织成五个核心知识库，增强系统在不同决策场景中的泛化能力。最后，系统集成了实时在线检索模块，确保动态获取最新行业知识。\n实验结果表明，异构知识融合方法取得了最佳效果，验证了模块化设计中结构化知识融合的有效性。该研究通过将
上一篇：9月27日全国早间猪价涨跌互现！
