Self-RAG & Corrective RAG (CRAG)(Саморефлексивний та коригувальний RAG (Self-RAG & CRAG))

1. Огляд концепції та системна проблема

Традиційний конвеєр RAG діє як сліпий автомат: Запит ➔ Пошук ➔ Генерація. Але в реальних системах векторний пошук регулярно помиляється:

• Користувач ставить питання про технологію, якої взагалі немає у внутрішній базі знань компанії.
• База повертає 5 найбільш схожих слів, але вони описують зовсім інші речі.
• Модель отримує цей нерелевантний контекст, намагається зв'язати несумісні речі і видає впевнену галюцинацію, яка може коштувати компанії репутації.

Self-Reflective RAG (Self-RAG & CRAG) впроваджує критичне мислення в процес пошуку: модель не просто споживає документи, а виступає суворим цензором, оцінюючи якість вилучених знань перед генерацією кожного речення.

2. Архітектурна таксономія та ментальна модель

                       [ 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. Практичні інженерні сценарії в продакшені

01. Захист від застарілої документації

Користувач запитує про налаштування новітньої функції React 19. Внутрішня база містить документи лише для React 17. Self-RAG оцінює знайдені документи як нерелевантні (confidence: 0.12), не використовує їх і чесно відповідає: "У внутрішній базі немає інформації про React 19, запускаю пошук в офіційній документації".

02. Точковий виклик пошуку тільки за потреби (Dynamic Retrieval)

Якщо користувач запитує "Що таке цикл for в JavaScript?", Self-RAG розуміє, що це базове знання моделі ([No-Retrieve]), і відповідає миттєво без витрат часу та запитів до векторної бази.

4. Підводні камені, типові помилки та безпека

• Збільшення латентності (Latency Penalty): Етап оцінки документів та можливий повторний пошук можуть додати 1–2 секунди до часу відповіді. Використовуйте для оцінки надшвидкі моделі (наприклад, 1B–3B класифікатори).
• Хибне відхилення правильних даних (False Negatives): Занадто суворий поріг відсікання може призвести до того, що система відхилить корисний документ лише через незвичне формулювання.

5. Стратегічний висновок для інженера 2026 року

Self-RAG перетворив пошукові системи з наївних конвеєрів на інтелектуальні дослідницькі агенти. Здатність системи сказати: "Знайдені дані не відповідають на ваше запитання, я шукаю далі" — це фундаментальна передумова нульової толерантності до галюцинацій.