AgriIR: Un Marco Escalable para la Recuperación de Conocimiento Específico del Dominio

AgriIR: A Scalable Framework for Domain-Specific Knowledge Retrieval

March 17, 2026

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

cs.AI

Resumen

Este artículo presenta AgriIR, un marco de generación aumentada por recuperación (RAG) configurable diseñado para ofrecer respuestas fundamentadas y específicas del dominio, manteniendo la flexibilidad y un bajo coste computacional. En lugar de depender de modelos monolíticos de gran tamaño, AgriIR descompone el proceso de acceso a la información en etapas modulares declarativas: refinamiento de consultas, planificación de subconsultas, recuperación, síntesis y evaluación. Este diseño permite a los profesionales adaptar el marco a nuevos verticales de conocimiento sin modificar la arquitectura. Nuestra implementación de referencia se centra en el acceso a la información agrícola india, integrando modelos de lenguaje de 1B parámetros con recuperadores adaptativos y catálogos de agentes con conocimiento del dominio. El sistema aplica citas deterministas, integra telemetría para la transparencia e incluye recursos de despliegue automatizados para garantizar una operación auditable y reproducible. Al hacer hincapié en el diseño arquitectónico y el control modular, AgriIR demuestra que las canalizaciones bien diseñadas pueden lograr una recuperación precisa en el dominio y confiable incluso con recursos limitados. Sostenemos que este enfoque ejemplifica la "IA para la Agricultura" al promover la accesibilidad, la sostenibilidad y la responsabilidad en los sistemas de generación aumentada por recuperación.

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.