Self-RAG & Corrective RAG (CRAG)

1. Обзор концепции и системная проблема

Традиционный конвейер RAG действует как слепой автомат: Запрос ➔ Поиск ➔ Генерация. Но в реальных системах векторный поиск регулярно ошибается:

• Пользователь задает вопрос о технологии, которой вообще нет во внутренней базе знаний компании.
• База возвращает 5 наиболее похожих слов, но они описывают совсем другие вещи.
• Модель получает этот нерелевантный контекст, пытается связать несовместимые вещи и выдает уверенную галлюцинацию, которая может стоить компании репутации.

Self-Reflective RAG (Self-RAG & CRAG) внедряет критическое мышление в процесс поиска: модель не просто потребляет документы, а выступает строгим цензором, оценивая качество извлеченных знаний перед генерацией каждого предложения.

2. Архитектурная таксономия и ментальная модель

                       [ ВХОДНОЙ ЗАПРОС ]
                               │
                               ▼
                       [ Векторный поиск ]
                               │
                               ▼
            ┌──────────────────────────────────────┐
            │       EVALUATOR MODEL (CRAG)         │
            │ Оценка найденных документов [0..1]   │
            └───┬──────────────────────────────┬───┘
                │                              │
                ▼ (> 0.7: Correct)             ▼ (< 0.4: Incorrect)
     ┌───────────────────────┐      ┌─────────────────────────┐
     │ KNOWLEDGE REFINEMENT  │      │ RE-WRITE QUERY & FALLBACK│
     │ Извлечение ключевых    │      │ • Отбросить внутренний  │
     │ предложений, выбрасывание шума│      │   шум                   │
     └──────────┬────────────┘      │ • Запустить Web Search  │
                │                   └────────────┬────────────┘
                └───────────────┬────────────────┘
                                ▼
                   ┌────────────────────────┐
                   │ FACT-CHECKED GENERATION│
                   │ Каждое утверждение      │
                   │ подтверждено источником │
                   └────────────────────────┘

3. Практические инженерные сценарии в продакшене

01. Защита от устаревшей документации

Пользователь запрашивает о настройках новейшей функции React 19. Внутренняя база содержит документы только для React 17. Self-RAG оценивает найденные документы как нерелевантные (confidence: 0.12), не использует их и честно отвечает: "Во внутренней базе нет информации о React 19, запускаю поиск в официальной документации".

02. Точечный вызов поиска только по необходимости (Dynamic Retrieval)

Если пользователь запрашивает "Что такое цикл for в JavaScript?", Self-RAG понимает, что это базовое знание модели ([No-Retrieve]), и отвечает мгновенно без затрат времени и запросов к векторной базе.

4. Подводные камни, типовые ошибки и безопасность

• Увеличение латентности (Latency Penalty): Этап оценки документов и возможный повторный поиск могут добавить 1–2 секунды к времени ответа. Используйте для оценки сверхбыстрые модели (например, 1B–3B классификаторы).
• Ложное отклонение правильных данных (False Negatives): Слишком строгий порог отсечения может привести к тому, что система отклонит полезный документ лишь из-за необычного формулирования.

5. Стратегический вывод для инженера 2026 года

Self-RAG преобразовал поисковые системы из наивных конвейеров в интеллектуальные исследовательские агенты. Способность системы сказать: "Найденные данные не отвечают на ваш вопрос, я ищу дальше" — это фундаментальное предположение нулевой толерантности к галлюцинациям.