AgriIR: 도메인 특화 지식 검색을 위한 확장 가능한 프레임워크

초록

본 논문은 유연성과 낮은 계산 비용을 유지하면서 근거 기반의 도메인 특화 답변을 제공하기 위해 설계된 구성 가능한 검색 증강 생성(RAG) 프레임워크인 AgriIR을 소개한다. AgriIR은 대규모 단일 모델에 의존하기보다 정보 접근 과정을 선언적 모듈 단계(질의 정제, 하위 질의 계획, 검색, 종합, 평가)로 분해한다. 이러한 설계를 통해 실무자는 아키텍처를 수정하지 않고도 새로운 지식 영역에 프레임워크를 적용할 수 있다. 우리의 참조 구현은 인도 농업 정보 접근을 대상으로 하며, 10억 파라미터 규모의 언어 모델을 적응형 검색기 및 도메인 인식 에이전트 카탈로그와 통합한다. 본 시스템은 결정적 인용을 강제하고 투명성을 위한 원격 측정을 통합하며, 감사 가능하고 재현 가능한 운영을 보장하기 위한 자동화된 배포 자산을 포함한다. 아키텍처 설계와 모듈식 제어를 강조함으로써 AgriIR은 제한된 자원 하에서도 잘 설계된 파이프라인이 도메인 정확성과 신뢰성을 갖춘 검색을 달성할 수 있음을 입증한다. 우리는 이러한 접근 방식이 검색 증강 생성 시스템의 접근성, 지속 가능성 및 책무성을 증진함으로써 "농업을 위한 AI"의 전형을 보여준다고 주장한다.

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.

AgriIR: 도메인 특화 지식 검색을 위한 확장 가능한 프레임워크

AgriIR: A Scalable Framework for Domain-Specific Knowledge Retrieval

초록

Support