AgriIR: Масштабируемая платформа для предметного поиска информации

AgriIR: A Scalable Framework for Domain-Specific Knowledge Retrieval

March 17, 2026

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

cs.AI

Аннотация

В данной статье представлен AgriIR — настраиваемый фреймворк на основе генерации с расширением поиска (RAG), предназначенный для предоставления обоснованных, предметно-ориентированных ответов при сохранении гибкости и низких вычислительных затрат. Вместо использования крупных монолитных моделей AgriIR декомпозирует процесс доступа к информации на декларативные модульные этапы: уточнение запроса, планирование подзапросов, поиск, синтез и оценка. Такая конструкция позволяет адаптировать фреймворк к новым предметным областям без изменения архитектуры. Наша эталонная реализация ориентирована на обеспечение доступа к сельскохозяйственной информации в Индии, интегрируя языковые модели с 1 млрд параметров с адаптивными системами поиска и предметно-ориентированными каталогами агентов. Система обеспечивает детерминированное цитирование, включает телеметрию для прозрачности и содержит средства автоматизированного развертывания для гарантии проверяемой и воспроизводимой работы. Сделав акцент на архитектурном проектировании и модульном управлении, AgriIR демонстрирует, что тщательно спроектированные конвейеры могут достигать точного и надежного поиска в предметной области даже при ограниченных ресурсах. Мы утверждаем, что данный подход является примером «ИИ для сельского хозяйства», поскольку он способствует доступности, устойчивости и подотчетности в системах генерации с расширением поиска.

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.