AgriIR: Ein skalierbares Framework für domänenspezifische Wissensabfrage

AgriIR: A Scalable Framework for Domain-Specific Knowledge Retrieval

March 17, 2026

Autoren: Shuvam Banerji Seal, Aheli Poddar, Alok Mishra, Dwaipayan Roy

cs.AI

Zusammenfassung

Dieses Papier stellt AgriIR vor, einen konfigurierbaren Retrieval-Augmented Generation (RAG)-Framework, der darauf ausgelegt ist, fundierte, domänenspezifische Antworten zu liefern und dabei Flexibilität und geringe Rechenkosten beizubehalten. Anstatt auf große, monolithische Modelle zu setzen, zerlegt AgriIR den Informationszugriffsprozess in deklarative, modulare Stufen – Abfrageverfeinerung, Teilabfrageplanung, Retrieval, Synthese und Evaluation. Dieser Aufbau ermöglicht es Anwendern, das Framework an neue Wissensdomänen anzupassen, ohne die Architektur zu verändern. Unsere Referenzimplementierung zielt auf den Zugang zu landwirtschaftlichen Informationen in Indien ab und integriert Sprachmodelle mit 1 Milliarde Parametern mit adaptiven Retrieval-Komponenten und domänenspezifischen Agentenkatalogen. Das System erzwingt deterministische Zitierung, integriert Telemetrie für Transparenz und umfasst Assets für die automatisierte Bereitstellung, um überprüfbaren, reproduzierbaren Betrieb zu gewährleisten. Durch die Betonung von Architekturdesign und modularer Steuerung demonstriert AgriIR, dass gut konstruierte Pipelines auch bei begrenzten Ressourcen domänengenaues, vertrauenswürdiges Retrieval erreichen können. Wir argumentieren, dass dieser Ansatz „KI für die Landwirtschaft“ verkörpert, indem er Zugänglichkeit, Nachhaltigkeit und Rechenschaftspflicht in retrieval-augmentierten Generierungssystemen fördert.

English

This paper introduces AgriIR, a configurable retrieval augmented generation (RAG) framework designed to deliver grounded, domain-specific answers while maintaining flexibility and low computational cost. Instead of relying on large, monolithic models, AgriIR decomposes the information access process into declarative modular stages -- query refinement, sub-query planning, retrieval, synthesis, and evaluation. This design allows practitioners to adapt the framework to new knowledge verticals without modifying the architecture. Our reference implementation targets Indian agricultural information access, integrating 1B-parameter language models with adaptive retrievers and domain-aware agent catalogues. The system enforces deterministic citation, integrates telemetry for transparency, and includes automated deployment assets to ensure auditable, reproducible operation. By emphasizing architectural design and modular control, AgriIR demonstrates that well-engineered pipelines can achieve domain-accurate, trustworthy retrieval even under constrained resources. We argue that this approach exemplifies ``AI for Agriculture'' by promoting accessibility, sustainability, and accountability in retrieval-augmented generation systems.