Skip to main content

Self-RAG & Corrective RAG (CRAG)

POUR AGENT IAChatGPTClaude

Méthodologie de recherche adaptative où le modèle linguistique évalue lui-même la pertinence des documents récupérés, filtre le bruit et reformule dynamiquement la requête de recherche en cas d'insuffisance d'informations.

1. Vue d'ensemble du concept et problème systémique

Le pipeline RAG traditionnel agit comme un automate aveugle : Requête ➔ Recherche ➔ Génération. Or, dans les systèmes réels, la recherche vectorielle commet régulièrement des erreurs :

  • L'utilisateur pose une question sur une technologie qui n'existe tout simplement pas dans la base de connaissances interne de l'entreprise.
  • La base retourne les 5 termes les plus similaires, mais ils décrivent des concepts totalement différents.
  • Le modèle reçoit ce contexte non pertinent, tente de faire le lien entre des éléments incompatibles et produit une hallucination assurée, susceptible de coûter sa réputation à l'entreprise.

Self-Reflective RAG (Self-RAG & CRAG) intègre une pensée critique dans le processus de récupération : le modèle ne se contente pas de consommer des documents, il agit en censeur rigoureux, évaluant la qualité des connaissances extraites avant chaque génération de phrase.

2. Taxonomie architecturale et modèle mental

[ REQUÊTE ENTRANTE ]
                               │
                               ▼
                       [ Recherche vectorielle ]
                               │
                               ▼
            ┌──────────────────────────────────────┐
            │       MODÈLE ÉVALUATEUR (CRAG)       │
            │ Évaluation des documents trouvés [0..1]│
            └───┬──────────────────────────────┬───┘
                │                              │
                ▼ (> 0.7 : Correct)            ▼ (< 0.4 : Incorrect)
     ┌───────────────────────┐      ┌─────────────────────────┐
     │ RAFFINEMENT DU SAVOIR │      │ RÉÉCRITURE DE LA REQUÊTE│
     │ Extraction des phrases│      │ & SOLUTION DE SECOURS   │
     │ clés, suppression du  │      │ • Rejeter le bruit      │
     │ bruit                 │      │   interne               │
     └──────────┬────────────┘      │ • Lancer une recherche  │
                │                   │   sur le Web            │
                │                   └────────────┬────────────┘
                └───────────────┬────────────────┘
                                ▼
                   ┌────────────────────────┐
                   │ GÉNÉRATION VÉRIFIÉE    │
                   │ Chaque affirmation est │
                   │ confirmée par une      │
                   │ source                 │
                   └────────────────────────┘

3. Scénarios d'ingénierie pratiques en production

01. Protection contre la documentation obsolète

L'utilisateur interroge le système sur la configuration d'une nouvelle fonctionnalité de React 19. La base interne ne contient que des documents pour React 17. Self-RAG évalue les documents trouvés comme non pertinents (confidence: 0.12), ne les utilise pas et répond honnêtement : "La base interne ne contient pas d'informations sur React 19, je lance une recherche dans la documentation officielle".

02. Appel ciblé de la recherche uniquement si nécessaire (Dynamic Retrieval)

Si l'utilisateur demande "Qu'est-ce qu'une boucle for en JavaScript ?", Self-RAG comprend qu'il s'agit d'une connaissance fondamentale du modèle ([No-Retrieve]) et répond instantanément sans perte de temps ni requêtes vers la base vectorielle.

4. Pièges courants, erreurs typiques et sécurité

  • Pénalité de latence (Latency Penalty) : L'étape d'évaluation des documents et la éventuelle relance de la recherche peuvent ajouter 1 à 2 secondes au temps de réponse. Utilisez des modèles ultra-rapides pour l'évaluation (par exemple, des classificateurs de 1B–3B).
  • Rejet erroné de données correctes (False Negatives) : Un seuil de rejet trop strict peut amener le système à écarter un document utile simplement en raison d'une formulation inhabituelle.

5. Conclusion stratégique pour l'ingénieur de 2026

Self-RAG a transformé les systèmes de recherche de pipelines naïfs en agents de recherche intelligents. La capacité du système à dire : "Les données trouvées ne répondent pas à votre question, je poursuis la recherche" constitue le prérequis fondamental d'une tolérance zéro envers les hallucinations.

/ Questions fréquentesSchema.org FAQPage

FAQ: Self-RAG & Corrective RAG (CRAG)

Le RAG passif fait aveuglément confiance à la base vectorielle : si une requête est envoyée, les 5 premiers résultats trouvés sont obligatoirement injectés dans le prompt. Même si ces résultats n'ont aucun rapport avec le fond de la question, le modèle subit la pression d'« utiliser le contexte fourni » et commence à inventer des faits inexistant.
/ Liens internes

Termes associés

Tous les termes
Prompts & RAG

RAG (Retrieval-Augmented Generation)

Modèle architectural d'IA d'entreprise qui enrichit dynamiquement la fenêtre contextuelle du modèle avec des connaissances vérifiées et pertinentes issues de sources externes (bases vectorielles, graphes, index en texte intégral) avant la génération de la réponse finale.

Lire le terme
Agents & MCP

Modèle de réflexion (Réflexion)

Modèle architectural visant à améliorer la fiabilité des agents, qui sépare le processus en génération de solution (Generator), audit critique (Critic) et raffinement itératif (Refiner).

Lire le terme
Prompts & RAG

Recherche hybride (Dense + Sparse Search)

Architecture de récupération dans les systèmes RAG modernes, combinant la recherche sémantique vectorielle (Dense Embeddings) avec l'indexation classique en texte intégral par mots-clés (Sparse / BM25) via des algorithmes de fusion de rangs (RRF).

Lire le terme
Prompts & RAG

Hallucinations & Confabulations

Génération par un modèle linguistique d'informations factuellement fausses, inventées ou inexistantes (bibliothèques, méthodes API, citations), exprimées avec une forte probabilité de certitude.

Lire le terme