AgriIR : Un cadre évolutif pour la recherche de connaissances spécifiques à un domaine

AgriIR: A Scalable Framework for Domain-Specific Knowledge Retrieval

March 17, 2026

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

cs.AI

Résumé

Ce document présente AgriIR, un cadre configurable de génération augmentée par récupération (RAG) conçu pour fournir des réponses ancrées et spécifiques au domaine tout en conservant flexibilité et faible coût computationnel. Plutôt que de dépendre de modèles monolithiques de grande taille, AgriIR décompose le processus d'accès à l'information en étapes modulaires déclaratives : raffinement de la requête, planification des sous-requêtes, récupération, synthèse et évaluation. Cette conception permet aux praticiens d'adapter le cadre à de nouveaux domaines de connaissance sans modifier l'architecture. Notre implémentation de référence cible l'accès à l'information agricole indienne, intégrant des modèles de langage d'un milliard de paramètres avec des systèmes de récupération adaptatifs et des catalogues d'agents conscients du domaine. Le système impose une citation déterministe, intègre une télémétrie pour la transparence et inclut des ressources de déploiement automatisées pour garantir un fonctionnement auditable et reproductible. En mettant l'accent sur la conception architecturale et le contrôle modulaire, AgriIR démontre que des pipelines bien conçus peuvent atteindre une récupération précise et fiable dans un domaine, même avec des ressources limitées. Nous soutenons que cette approche illustre « l'IA pour l'Agriculture » en promouvant l'accessibilité, la durabilité et la responsabilité dans les systèmes de génération augmentée par récupération.

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.