植物表型分析越来越依赖于(半)自动化的基于图像的分析工作流程，以提高其准确性和可扩展性。然而，许多现有的解决方案仍然过于复杂，难以重新实现和维护，并对没有大量计算专业知识的用户构成很高的障碍。为了应对这些挑战，
本文提出了PhenoAssistant，一个开创性的人工智能驱动系统，通过直观的自然语言交互来简化植物表型。PhenoAssistant利用一个大型语言模型来编排一个精心策划的工具包，支持包括自动化表型提取、数据可视化和自动化模型训练在内的任务。通过几个有代表性的案例研究和一系列评估任务来验证PhenoAssistant。通过大幅降低技术障碍，PhenoAssistant强调了人工智能驱动方法在植物生物学中普及人工智能的前景。
2. 背景与意义
- • 挑战：植物表型分析依赖复杂计算流程（图像处理、机器学习、编程），技术门槛高，限制非计算机专家使用。
- • 解决方案：开发PhenoAssistant，首个开源多智能体AI系统，通过自然语言交互自动化植物表型分析，降低技术壁垒。
3. 系统架构
- • 核心组件：
- • 管理器LLM（GPT-4o）：解析用户任务，规划步骤，调用工具，总结结果。
- • 专用工具包：
- • 视觉模型库：预训练植物专用模型（如叶片分割、分类）。
- • 自动模型训练：支持用户上传数据微调新模型（如营养缺乏检测）。
- • LLM智能体：代码生成、数据可视化、统计分析、文献检索（RAG）、结果复现。
- • 用户交互：全程可控，可修正计划或参数，支持保存/复用分析流程。
4. 三大案例验证
案例1：拟南芥生长模式分析
- • 任务：从图像提取叶片面积/数量、统计不同生态型生长差异、验证文献结果。
- • 结果：复现《Phenotiki》研究结论（如ein2生态型PLA最大）。
案例2：马铃薯叶面积与干重相关性
- • 任务：评估自动测量的叶面积（PLA）与人工测量值在预测干重中的差异。
- • 结果：PLA与干重相关性（r=0.76）低于人工测量（r=0.89），提示模型误差。
案例3：冬小麦营养缺乏识别
- • 任务：无现成模型时，用户上传标注数据集，系统自动训练分类模型（准确率81.3%）。
5. 性能评估
- • 工具选择：70%成功率（错误因误解工具用途）。
- • 视觉模型推荐：98%准确率（错误仅在模糊任务如“植物活力评分”）。
- • 数据分析：100%完成CSV统计、绘图等任务。
6. 创新点与局限
- • 创新：
- • 自然语言驱动复杂表型分析。
- • 可扩展性：支持新模型训练与流程复现。
- • 局限：
- • 复杂任务需分步指导。
- • 罕见场景适应性待验证。
7. 资源链接
- • 代码：https://github.com/fengchen025/PhenoAssistant
- • 数据：案例数据公开（如Phenotiki、Zenodo等）。
图1 PhenoAssistant的设计。用户向PhenoAssistant提供数据和任务描述。LLM创建一个分步计划，选择并执行适当的工具，然后总结工具输出以完成任务。用户保留完全控制权，可根据需要改进中间步骤。“管理器”上面的图标改编自www.flaticon.com的surang，“工具箱”和“输出”旁边的图标改编自www.flaticon.com的Freepik。
图2 案例研究1：拟南芥生长模式分析。PhenoAssistant自动完成五项任务：从图像中计算表型，绘制表型统计数据，分析生成的图，对不同的生态型进行统计测试，并将结果与文献进行比较。每个任务都显示为任务描述(灰色)、PhenoAssistant使用的工具(蓝色)和结果(白色)。
图3 案例研究2：马铃薯叶面积与干重的相关性分析。为了响应用户的请求，PhenoAssistant首先从提供的数据中提取表型，然后比较不同植物相关变量之间的相关性。
图4 案例研究3：营养缺乏识别的自动模型训练。当没有合适的模型可用于解决给定的任务时，PhenoAssistant首先提示用户提供所需格式的数据集。然后，它会自动应用数据预处理，然后对模型进行训练和评估。训练好的模型保存在模型动物园中以备将来使用。
Feng Chen, Ilias Stogiannidis, Andrew Wood, et al. (2025) PhenoAssistant: A Conversational Multi-Agent AI
System for Automated Plant Phenotyping. arXiv: 2504.19818v1.