Self-RAG & Corrective RAG (CRAG)

1. Konzeptüberblick und systemisches Problem

Die traditionelle RAG-Pipeline agiert wie ein blinder Automat: Query ➔ Retrieval ➔ Generation. In realen Systemen irrt die Vektorsuche jedoch regelmäßig:

• Der Nutzer stellt eine Frage zu einer Technologie, die in der internen Wissensdatenbank des Unternehmens gar nicht existiert.
• Die Datenbank liefert die fünf ähnlichsten Dokumente zurück, diese beschreiben jedoch völlig andere Sachverhalte.
• Das Modell erhält diesen irrelevanten Kontext, versucht, unvereinbare Informationen zu verknüpfen, und generiert eine selbstsichere Halluzination, die dem Unternehmen einen erheblichen Reputationsschaden zufügen kann.

Self-Reflective RAG (Self-RAG & CRAG) integriert kritisches Denken in den Suchprozess: Das Modell konsumiert Dokumente nicht nur passiv, sondern fungiert als strenger Zensor, der die Qualität der abgerufenen Erkenntnisse vor der Generierung jedes einzelnen Satzes bewertet.

2. Architektonische Taxonomie und mentales Modell

                       [ ВХІДНИЙ ЗАПИТ ]
                               │
                               ▼
                       [ Векторний пошук ]
                               │
                               ▼
            ┌──────────────────────────────────────┐
            │       EVALUATOR MODEL (CRAG)         │
            │ Оцінка знайдених документів [0..1]   │
            └───┬──────────────────────────────┬───┘
                │                              │
                ▼ (> 0.7: Correct)             ▼ (< 0.4: Incorrect)
     ┌───────────────────────┐      ┌─────────────────────────┐
     │ KNOWLEDGE REFINEMENT  │      │ RE-WRITE QUERY & FALLBACK│
     │ Вилучення ключових    │      │ • Відкинути внутрішній  │
     │ речень, викидання шуму│      │   шум                   │
     └──────────┬────────────┘      │ • Запустити Web Search  │
                │                   └────────────┬────────────┘
                └───────────────┬────────────────┘
                                ▼
                   ┌────────────────────────┐
                   │ FACT-CHECKED GENERATION│
                   │ Кожне твердження       │
                   │ підтверджене джерелом  │
                   └────────────────────────┘

3. Praktische Engineering-Szenarien im Produktionsbetrieb

01. Schutz vor veralteter Dokumentation

Ein Nutzer fragt nach der Konfiguration einer brandneuen Funktion von React 19. Die interne Datenbank enthält jedoch nur Dokumente für React 17. Self-RAG stuft die gefundenen Dokumente als irrelevant ein (confidence: 0.12), ignoriert sie und antwortet ehrlich: "In der internen Datenbank liegen keine Informationen zu React 19 vor; ich leite eine Suche in der offiziellen Dokumentation ein."

02. Gezielte Abfrage nur bei Bedarf (Dynamic Retrieval)

Wenn ein Nutzer fragt: "Was ist eine for-Schleife in JavaScript?", erkennt Self-RAG, dass dies zum Basiswissen des Modells gehört ([No-Retrieve]), und antwortet sofort – ohne Zeitverlust oder unnötige Anfragen an die Vektordatenbank.

4. Fallstricke, häufige Fehler und Sicherheit

• Erhöhte Latenz (Latency Penalty): Die Phase der Dokumentenbewertung sowie mögliche erneute Suchvorgänge können die Antwortzeit um 1–2 Sekunden verlängern. Verwenden Sie für die Bewertung extrem schnelle Modelle (z. B. Klassifikatoren mit 1B–3B Parametern).
• Falsche Ablehnung korrekter Daten (False Negatives): Ein zu strenges Schwellenwertfilter kann dazu führen, dass das System nützliche Dokumente ablehnt, nur weil deren Formulierung ungewöhnlich ist.

5. Strategisches Fazit für Ingenieure im Jahr 2026

Self-RAG hat Suchsysteme von naiven Pipelines zu intelligenten Recherche-Agenten weiterentwickelt. Die Fähigkeit des Systems, zu sagen: "Die gefundenen Daten beantworten Ihre Frage nicht, ich suche weiter", ist die fundamentale Voraussetzung für eine Null-Toleranz gegenüber Halluzinationen.