An Agile Method for Implementing Retrieval Augmented Generation Tools in Industrial SMEs

📄 arXiv: 2508.21024v1 📥 PDF

作者: Mathieu Bourdin, Anas Neumann, Thomas Paviot, Robert Pellerin, Samir Lamouri

分类: cs.CL, cs.IR

发布日期: 2025-08-28

备注: 20 pages, 3 figures

💡 一句话要点

EASI-RAG：一种敏捷方法，用于在工业中小企业中部署检索增强生成工具

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 检索增强生成 RAG 大型语言模型 工业中小企业 敏捷方法 企业应用 知识管理

📋 核心要点

  1. 大型语言模型存在幻觉和知识过时等问题，限制了其在工业中小企业中的应用。
  2. EASI-RAG方法通过结构化的角色、活动和技术，简化了RAG系统在资源受限的中小企业中的部署。
  3. 在环境测试实验室的案例研究表明，EASI-RAG能够快速部署、提高用户采纳率并提供准确答案。

📝 摘要（中文）

检索增强生成(RAG)已成为一种强大的解决方案，可以缓解大型语言模型(LLM)的局限性，例如幻觉和过时的知识。然而，由于资源有限且缺乏自然语言处理(NLP)方面的专业知识，在中小企业(SME)中部署基于RAG的工具仍然是一个挑战。本文介绍EASI-RAG，即企业应用支持工业RAG，这是一种结构化的敏捷方法，旨在促进RAG系统在工业中小企业环境中的部署。EASI-RAG基于方法工程原理，包含明确定义的角色、活动和技术。该方法通过一个环境测试实验室的真实案例研究进行了验证，在该案例中，实施了一个RAG工具，使用从操作程序中提取的数据来回答操作员的查询。该系统由一个没有RAG经验的团队在一个月内完成部署，并根据用户反馈进行了迭代改进。结果表明，EASI-RAG支持快速实施、高用户采用率，提供准确的答案，并提高底层数据的可靠性。这项工作突出了RAG部署在工业中小企业的潜力。未来的工作包括推广到不同的用例，并进一步与微调模型集成。

🔬 方法详解

问题定义：论文旨在解决工业中小企业在部署检索增强生成（RAG）工具时面临的挑战。现有方法通常需要大量的自然语言处理（NLP）专业知识和资源，这对于资源有限的中小企业来说是一个巨大的障碍。此外，缺乏结构化的部署方法也导致实施过程缓慢且效率低下。

核心思路：EASI-RAG的核心思路是提供一种结构化的、敏捷的方法，使中小企业能够快速、高效地部署RAG系统。该方法基于方法工程原理，定义了明确的角色、活动和技术，降低了部署RAG系统的复杂性，并使其更易于被中小企业所采用。

技术框架：EASI-RAG方法包含以下主要模块/阶段：1)需求分析：确定RAG系统的具体需求和目标；2)知识库构建：从企业数据源中提取和组织相关信息；3)RAG系统设计：选择合适的RAG架构和组件；4)系统部署：将RAG系统集成到企业现有系统中；5)用户培训：培训用户如何使用RAG系统；6)迭代改进：根据用户反馈不断改进RAG系统。

关键创新：EASI-RAG的关键创新在于其敏捷性和结构化。与传统的RAG部署方法相比，EASI-RAG更加注重快速迭代和用户反馈，从而能够更快地适应中小企业的需求。此外，EASI-RAG提供的明确的角色、活动和技术，降低了部署RAG系统的复杂性，使其更易于被中小企业所采用。

关键设计：EASI-RAG方法没有涉及具体的参数设置、损失函数或网络结构等技术细节，因为它是一种通用的部署方法，可以与不同的RAG架构和组件一起使用。关键设计在于其结构化的流程和敏捷的迭代方式，确保RAG系统能够快速、高效地部署并满足中小企业的需求。

📊 实验亮点

通过在环境测试实验室的案例研究，EASI-RAG方法在一个月内成功部署了一个RAG系统，该系统能够使用从操作程序中提取的数据来回答操作员的查询。该系统由一个没有RAG经验的团队完成部署，并根据用户反馈进行了迭代改进。结果表明，EASI-RAG支持快速实施、高用户采用率，提供准确的答案，并提高底层数据的可靠性。

🎯 应用场景

EASI-RAG方法可应用于各种工业中小企业，以提高其信息检索和知识管理能力。例如，它可以用于客户服务、技术支持、质量控制等领域，帮助员工快速找到所需信息，提高工作效率和决策质量。该方法还有助于提高企业数据的可靠性和一致性，减少错误和风险。未来，EASI-RAG可以与微调模型集成，进一步提高RAG系统的性能。

📄 摘要（原文）

Retrieval-Augmented Generation (RAG) has emerged as a powerful solution to mitigate the limitations of Large Language Models (LLMs), such as hallucinations and outdated knowledge. However, deploying RAG-based tools in Small and Medium Enterprises (SMEs) remains a challenge due to their limited resources and lack of expertise in natural language processing (NLP). This paper introduces EASI-RAG, Enterprise Application Support for Industrial RAG, a structured, agile method designed to facilitate the deployment of RAG systems in industrial SME contexts. EASI-RAG is based on method engineering principles and comprises well-defined roles, activities, and techniques. The method was validated through a real-world case study in an environmental testing laboratory, where a RAG tool was implemented to answer operators queries using data extracted from operational procedures. The system was deployed in under a month by a team with no prior RAG experience and was later iteratively improved based on user feedback. Results demonstrate that EASI-RAG supports fast implementation, high user adoption, delivers accurate answers, and enhances the reliability of underlying data. This work highlights the potential of RAG deployment in industrial SMEs. Future works include the need for generalization across diverse use cases and further integration with fine-tuned models.