WaterRAG: Ein Multiagenten-Retrieval-Augmented-Generation-Framework zur Unterstützung des Übergangs der Wasserindustrie zu Netto-Null

Die Erreichung von Netto-Null-Kohlenstoffemissionen in der Abwasserbehandlung erfordert eine komplexe, interdisziplinäre Informationsintegration. Während große Sprachmodelle (LLMs) das Potenzial haben, Informationssilos aufzubrechen, sind ihre Fähigkeiten in spezialisierten Abwasserbereichen weiterhin begrenzt. Daher stellen wir WaterRAG vor, ein multiagentenbasiertes Retrieval-Augmented-Generation-(RAG)-Framework, das LLM-basierte Schlussfolgerungen mit überprüfbarem Abwasserwissen koppelt. WaterRAG integriert eine selektive Datenbank mit 7637 peer-reviewed Studien und 11 ingenieurwissenschaftlichen Referenzen zur Abwasserbehandlung. Durch iterative Zusammenarbeit zwischen Retrieval-, Review- und Evaluationsagenten erzeugt WaterRAG evidenzbasierte Ausgaben für drei kritische Anwendungen im Abwassermanagement: (i) Expertenfragen zur Abwasserbehandlung, (ii) Literaturübersicht zu spezifischen Themen und (iii) anlagenbezogene ingenieurwissenschaftliche Unterstützung. Beim Benchmarking mit 370 technischen Fragen erreichte WaterRAG eine Antwortkorrekturrate von 80,5 % bei professionellen Fragen zur Abwasserbehandlung und übertraf damit das eigenständige GPT-4.1 (64,9 %). Zusätzlich generierte WaterRAG eine umfassendere, zitationsunterstützte Übersicht, deren Qualität sich über Verfeinerungsiterationen verbesserte. Ablationsstudien bestätigen, dass die überlegene Leistung aus den synergistischen Beiträgen von optimiertem Retrieval und dem iterativen Multiagenten-Framework resultiert. Diese Arbeit stellt eine frühe domänenspezifische Anwendung von Multiagenten-RAG in der Abwasserbehandlung dar und hebt das Potenzial retrieval-basierter LLM-Systeme hervor, professionelles Fachwissen zu ergänzen und evidenzbasierte Entscheidungsfindung für ein nachhaltiges Abwassermanagement zu unterstützen.