AgriIR：模組化 RAG 框架提升農業知識檢索，兼顧低運算成本與高精度的 AI 方案

本研究提出 AgriIR 框架，透過模組化設計與 1B 參數模型，在低資源下實現精準農業檢索，並強化引用透明度與系統可擴展性。

Problem

專業領域（如農業）的資訊檢索常面臨大型模型運算成本高昂、缺乏領域知識精確度，以及生成結果難以追蹤來源的問題，阻礙了 AI 在特定垂直領域的實際落地。

開發 AgriIR 模組化 RAG 框架，將流程拆解為查詢精煉、子查詢規劃、檢索、綜合與評估五大階段。透過 1B 參數模型結合領域感知代理人（Agent），並導入遙測技術與自動化部署資產，確保系統透明且可重複執行。

以印度農業資訊為實作對象，證明該框架能在受限資源下提供準確且具備確定性引用來源的回答。其宣告式模組設計讓系統能快速適應不同的垂直領域，無需修改架構即可完成知識庫更新。

本研究揭示了優化流程架構優於盲目追求模型規模，為農業 AI 建立具備永續性、問責制與資訊平權的參考典範，讓高效且可靠的專業知識檢索更易於在資源有限的環境中普及。