Self-RAG e Corrective RAG (CRAG)

1. Visão geral do conceito e problema sistêmico

O pipeline tradicional de RAG opera como um autômato cego: Consulta ➔ Busca ➔ Geração. No entanto, em sistemas reais, a busca vetorial falha com regularidade:

• O usuário pergunta sobre uma tecnologia que simplesmente não existe na base de conhecimento interna da empresa.
• A base retorna os 5 termos mais similares, mas eles descrevem coisas completamente diferentes.
• O modelo recebe esse contexto irrelevante, tenta conectar elementos incompatíveis e produz uma alucinação confiante que pode custar a reputação da empresa.

Self-Reflective RAG (Self-RAG & CRAG) introduz o pensamento crítico no processo de busca: o modelo não apenas consome documentos, mas atua como um censor rigoroso, avaliando a qualidade do conhecimento extraído antes de gerar cada sentença.

2. Taxonomia arquitetural e modelo mental

[ CONSULTA DE ENTRADA ]
                               │
                               ▼
                       [ Busca Vetorial ]
                               │
                               ▼
            ┌──────────────────────────────────────┐
            │       MODELO AVALIADOR (CRAG)        │
            │ Avaliação dos documentos encontrados [0..1]   │
            └───┬──────────────────────────────┬───┘
                │                              │
                ▼ (> 0.7: Correto)             ▼ (< 0.4: Incorreto)
     ┌───────────────────────┐      ┌─────────────────────────┐
     │ REFINAMENTO DO CONHECIMENTO │      │ REESCRITA DA CONSULTA & FALLBACK│
     │ Extração de frases-chave,    │      │ • Descartar ruído interno  │
     │ eliminação de ruídos         │      │   │
     └──────────┬────────────┘      │ • Executar Busca na Web  │
                │                   └────────────┬────────────┘
                └───────────────┬────────────────┘
                                ▼
                   ┌────────────────────────┐
                   │ GERAÇÃO VERIFICADA POR FATOS│
                   │ Cada afirmação       │
                   │ confirmada por fonte  │
                   └────────────────────────┘

3. Cenários práticos de engenharia em produção

01. Proteção contra documentação obsoleta

O usuário consulta sobre a configuração de uma nova funcionalidade do React 19. A base interna contém documentos apenas para o React 17. O Self-RAG avalia os documentos encontrados como irrelevantes (confidence: 0.12), não os utiliza e responde honestamente: "Não há informações sobre o React 19 na base interna, iniciando busca na documentação oficial".

02. Chamada pontual de busca apenas quando necessário (Dynamic Retrieval)

Se o usuário perguntar "O que é um loop for em JavaScript?", o Self-RAG entende que isso é conhecimento básico do modelo ([No-Retrieve]) e responde instantaneamente, sem gastar tempo ou fazer requisições à base vetorial.

4. Armadilhas, erros comuns e segurança

• Aumento de latência (Latency Penalty): A etapa de avaliação de documentos e a possível rebusca podem adicionar 1–2 segundos ao tempo de resposta. Utilize modelos ultrarrápidos para a avaliação (por exemplo, classificadores de classe 1B–3B).
• Rejeição incorreta de dados válidos (False Negatives): Um limiar de corte excessivamente rígido pode levar o sistema a rejeitar um documento útil apenas devido a uma formulação incomum.

5. Conclusão estratégica para engenheiros em 2026

O Self-RAG transformou os sistemas de busca de pipelines ingênuos em agentes de pesquisa inteligentes. A capacidade do sistema dizer: "Os dados encontrados não respondem à sua pergunta, estou buscando mais" — é a premissa fundamental para uma tolerância zero às alucinações.