AgriIR: Uma Estrutura Escalável para Recuperação de Conhecimento Específico de Domínio

AgriIR: A Scalable Framework for Domain-Specific Knowledge Retrieval

March 17, 2026

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

cs.AI

Resumo

Este artigo apresenta o AgriIR, uma estrutura configurável de Geração Aumentada por Recuperação (RAG) projetada para fornecer respostas fundamentadas e específicas do domínio, mantendo a flexibilidade e um baixo custo computacional. Em vez de depender de modelos monolíticos de grande porte, o AgriIR decompõe o processo de acesso à informação em estágios modulares declarativos: refinamento de consulta, planeamento de subconsultas, recuperação, síntese e avaliação. Este projeto permite que os profissionais adaptem a estrutura a novos eixos de conhecimento sem modificar a arquitetura. A nossa implementação de referência tem como alvo o acesso à informação agrícola na Índia, integrando modelos de linguagem com 1B de parâmetros com recuperadores adaptativos e catálogos de agentes com conhecimento do domínio. O sistema aplica citação determinística, integra telemetria para transparência e inclui recursos de implantação automatizada para garantir uma operação auditável e reproduzível. Ao enfatizar o desenho arquitetónico e o controlo modular, o AgriIR demonstra que pipelines bem projetados podem alcançar uma recuperação precisa no domínio e confiável, mesmo com recursos limitados. Argumentamos que esta abordagem exemplifica "IA para a Agricultura" ao promover a acessibilidade, a sustentabilidade e a responsabilização nos sistemas de geração aumentada por recuperação.

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.