在感知阶段，系统通过多模态输入模块同步采集异构农业数据，包括农田RGB图像、多光谱遥感影像、土壤传感器时序数据、气象预报信息以及文本形式的农艺知识，各模态数据经过预处理后转换为统一的张量表示。在理解阶段，多模态编码器分别提取各模态特征，视觉编码器处理图像数据提取空间特征，文本编码器处理自然语言输入生成语义嵌入，时序编码器捕捉传感器数据的时间依赖关系，随后通过跨模态注意力机制实现特征对齐与融合。