GreenPilot

    自研 MVP 技术方案

    TIP

    目标 可执行的技术实现逻辑与 MVP（最小可行性产品）实施路径。

    MVP 分期落地路径

    阶段 1：感知与 RAG 问答

    核心跑通，可用于 Demo

    目标：跑通传感器数据上传 + 大模型基于专业农业知识回答问题。

    步骤技术选型说明
    IoT 接入EMQX / Node-RED模拟虚拟传感器（温湿度、光照）定时发送 JSON 数据
    数据存储Redis + TimescaleDBRedis 供前端实时展示，TimescaleDB 存储历史数据
    RAG 搭建Dify / FastGPT接入 DeepSeek API，上传种植指南 PDF，底层对接 Milvus
    前端展示Vue3 + ECharts读取 Redis 数据展示大屏，嵌入 Dify Chatbox
    TIP

    阶段成果 此时你已经有了一个"能看数据、能懂农业"的单体 Copilot。

    阶段 2：MCP 工具链与 Agent 决策

    体现核心差异化

    目标：让大模型不仅能聊天，还能"看"实时数据并"控制"设备。

    实现逻辑：

    1. 编写 MCP Server（Node.js / Python）

      工具功能
      get_current_weather()调用天气 API 获取气象数据
      get_greenhouse_temp()查询 Redis 获取温室温度
      turn_on_fan()向 MQTT 发送控制指令

    2. Agent 框架集成：使用 LangGraph 或 CrewAI 将 MCP 工具赋能给大模型

    3. 触发逻辑示例：

      • 用户："今天适合补光吗？"
      • Agent → 调用天气 MCP 查下午天气
      • Agent → 调用传感器 MCP 查当前光照
      • Agent → 结合 RAG 知识库给出建议
      • 询问"是否开启补光灯？"
      • 用户确认 → 调用设备控制 MCP

    阶段 3：多 Agent 协同与数字孪生

    后续演进

    目标：复杂决策自动化与 3D 可视化。

    模块实现方式
    多 Agent 对话LangGraph 定义不同 Persona（环境专家、能源管家），复杂告警时 Agent 间"讨论"权重，输出综合决策报告
    数字孪生Cesium/Three.js 加载温室 3D 模型（gltf/glb），设备状态与 MQTT 绑定（如风机 ON → 3D 扇叶旋转动画）

    技术干货补充

    数据流转图

    异常降温触发自动策略的流转逻辑：

    传感器 → (MQTT) → IoT网关 → (写入) TimescaleDB
→ (触发阈值告警) → Alarm Service
→ (唤醒) Environment Agent
→ (调用RAG查阅防冻策略)
→ (生成决策建议并推给前端)
→ 农场主点击执行
→ (调用MCP) → IoT平台
→ (Modbus下发) → 开启加热机

    Agent 协同架构

    配置项建议
    Energy Agent Prompt"你是温室能源分析师，需基于峰谷电价和光伏预测，最小化用电成本..."
    通信机制初期采用 Manager-Worker 架构（一个 Manager Agent 分发任务，底层 Agent 执行，最后汇总）

    MCP 工具定义示例

    {
  "name": "control_device",
  "description": "控制温室内的物理设备开关",
  "parameters": {
    "type": "object",
    "properties": {
      "device_id": { "type": "string", "description": "设备ID，如 fan_01" },
      "action": { "type": "string", "enum": ["on", "off"] }
    },
    "required": ["device_id", "action"]
  }
}