Skip to main content

Self-RAG i Corrective RAG (CRAG)

DLA AGENTÓW AIChatGPTClaude

Metodologia adaptacyjnego wyszukiwania, w której model językowy samodzielnie ocenia trafność odnalezionych dokumentów, odrzuca szum informacyjny i dynamicznie reformuluje zapytanie wyszukiwawcze w przypadku braku wystarczających informacji.

1. Przegląd koncepcji i problem systemowy

Tradycyjny potok RAG działa jak ślepy automat: Zapytanie ➔ Wyszukiwanie ➔ Generacja. Jednak w rzeczywistych systemach wyszukiwanie wektorowe regularnie popełnia błędy:

  • Użytkownik zadaje pytanie dotyczące technologii, której w ogóle nie ma w wewnętrznej bazie wiedzy firmy.
  • Baza zwraca 5 najbardziej podobnych fraz, które jednak opisują zupełnie inne zagadnienia.
  • Model otrzymuje ten nierelwantny kontekst, próbuje powiązać niespójne elementy i generuje pewną halucynację, która może kosztować firmę reputację.

Self-Reflective RAG (Self-RAG & CRAG) wprowadza krytyczne myślenie do procesu wyszukiwania: model nie tylko konsumuje dokumenty, ale występuje jako surowy cenzor, oceniając jakość wyodrębnionych danych przed wygenerowaniem każdego zdania.

2. Taksonomia architektury i model mentalny

[ ZAPYT WEJŚCIOWY ]
                               │
                               ▼
                       [ Wyszukiwanie wektorowe ]
                               │
                               ▼
            ┌──────────────────────────────────────┐
            │       MODEL OCENIAJĄCY (CRAG)        │
            │ Ocena znalezionych dokumentów [0..1] │
            └───┬──────────────────────────────┬───┘
                │                              │
                ▼ (> 0.7: Poprawne)            ▼ (< 0.4: Niepoprawne)
     ┌───────────────────────┐      ┌─────────────────────────┐
     │ DOSKONALENIE WIEDZY   │      │ PRZEFORMUŁOWANIE ZAPYTU │
     │ Ekstrakcja kluczowych │      │ I ROZWIĄZANIE AWARYJNE  │
     │ zdań, usuwanie szumu  │      │ • Odrzucenie wewnętrznego│
     └──────────┬────────────┘      │   szumu                 │
                │                   │ • Uruchomienie wyszuki- │
                │                   │   wania w sieci         │
                │                   └────────────┬────────────┘
                └───────────────┬────────────────┘
                                ▼
                   ┌────────────────────────┐
                   │ GENERACJA SPRAWDZONA   │
                   │ POD WZGLĘDEM FAKTÓW    │
                   │ Każde twierdzenie       │
                   │ poparte źródłem         │
                   └────────────────────────┘

3. Praktyczne scenariusze inżynierskie w środowisku produkcyjnym

01. Ochrona przed przestarzałymi dokumentacjami

Użytkownik pyta o konfigurację najnowszej funkcji React 19. Wewnętrzna baza zawiera dokumentację jedynie dla React 17. Self-RAG ocenia znalezione dokumenty jako nierelwantne (confidence: 0.12), nie wykorzystuje ich i uczciwie odpowiada: "W wewnętrznej bazie brak informacji o React 19, inicjuję wyszukiwanie w oficjalnej dokumentacji".

02. Celowane wywoływanie wyszukiwania tylko gdy to konieczne (Dynamic Retrieval)

Jeśli użytkownik pyta "Czym jest pętla for w JavaScript?", Self-RAG rozpoznaje, że jest to wiedza podstawowa modelu ([No-Retrieve]) i odpowiada natychmiast, bez ponoszenia kosztów czasowych ani zapytań do bazy wektorowej.

4. Pułapki, typowe błędy i bezpieczeństwo

  • Zwiększenie latencji (Latency Penalty): Etap oceny dokumentów oraz ewentualne ponowne wyszukiwanie mogą dodać 1–2 sekundy do czasu odpowiedzi. Do oceny stosuj ultranowoczesne modele (np. klasyfikatory o wielkości 1B–3B).
  • Fałszywe odrzucenie poprawnych danych (False Negatives): Zbyt rygorystyczny próg odcinania może spowodować, że system odrzuci użyteczny dokument wyłącznie ze względu na nietypową formułę.

5. Strategiczny wniosek dla inżyniera roku 2026

Self-RAG przekształcił systemy wyszukiwania z naiwnych potoków w inteligentne agenty badawcze. Zdolność systemu do stwierdzenia: "Znalezione dane nie odpowiadają na Twoje pytanie, kontynuuję poszukiwania" – to fundamentalna przesłanka dla polityki zerowej tolerancji wobec halucynacji.

/ Najczęściej zadawane pytaniaSchema.org FAQPage

FAQ: Self-RAG i Corrective RAG (CRAG)

Pasywny RAG bezkrytycznie ufa bazie wektorowej: jeśli do bazy wysłano zapytanie, pierwsze pięć wyników jest automatycznie wstawiane do promptu. Nawet gdy te wyniki nie mają żadnego związku z istotą pytania, model odczuwa presję 'wykorzystania dostarczonego kontekstu' i zaczyna wymyślać nieistniejące fakty.
/ Linki wewnętrzne

Powiązane pojęcia

Wszystkie hasła
Prompty i RAG

RAG (Retrieval-Augmented Generation)

Wzorzec architektoniczny AI dla przedsiębiorstw, który dynamicznie wzbogaca okno kontekstowe modelu o zweryfikowane, istotne wiedze z zewnętrznych repozytoriów (baz wektorowych, grafów, indeksów pełnotekstowych) przed wygenerowaniem końcowej odpowiedzi.

Czytaj hasło
Agenci i MCP

Wzorzec Refleksji (Рефлексія)

Wzorzec architektoniczny zwiększający niezawodność agentów, który dzieli proces na generowanie rozwiązania (Generator), jego krytyczną weryfikację (Critic) oraz iteracyjne doskonalenie (Refiner).

Czytaj hasło
Prompty i RAG

Wyszukiwanie hybrydowe (Dense + Sparse Search)

Architektura retrievalu w nowoczesnych systemach RAG, łącząca semantyczne wyszukiwanie wektorowe (Dense Embeddings) z klasycznym indeksowaniem pełnotekstowym opartym na słowach kluczowych (Sparse / BM25) za pomocą algorytmów fuzji rankingów (RRF).

Czytaj hasło
Prompty i RAG

Halucynacje AI (Hallucinations & Confabulations)

Generowanie przez model językowy informacji faktycznie nieprawdziwych, wymyślonych lub nieistniejących (np. bibliotek, metod API, cytatów), prezentowanych z wysokim prawdopodobieństwem pewności.

Czytaj hasło