Corrective RAG

Corrective RAG概述

Corrective RAG（CRAG）是对传统RAG的改进，增加了对检索结果质量的评估和纠正机制。当检索到的文档质量不高时，CRAG能够进行纠正操作，如丢弃低质量文档、触发额外检索、或对文档进行精炼，从而提升最终生成质量。

核心机制

检索评估器

CRAG引入轻量级检索评估器：

• 评估检索文档与查询的相关性
• 输出三种判断：Correct、Incorrect、Ambiguous
• 根据判断结果采取不同策略

纠正操作

根据评估结果执行不同操作：

Correct（正确）

• 使用知识精炼操作
• 过滤无关信息
• 保留关键知识片段

Incorrect（错误）

• 丢弃当前检索结果
• 触发网络搜索作为补充
• 获取更相关的外部信息

Ambiguous（模糊）

• 同时使用检索结果和网络搜索
• 综合多来源信息

工作流程

1. 初始检索：从知识库检索相关文档
2. 质量评估：评估器判断检索质量
3. 纠正操作：根据评估结果执行纠正
4. 知识精炼：提取关键信息
5. 答案生成：基于精炼后的知识生成回答

知识精炼

文档级精炼

• 去除与查询无关的段落
• 保留关键信息片段
• 压缩冗余内容

句子级精炼

• 评估每个句子的相关性
• 保留高相关度句子
• 组合形成精炼上下文

优势

• 质量保障：自动过滤低质量检索
• 适应性强：对不同查询类型自适应
• 容错能力：检索失败时有备用方案
• 效率提升：避免使用低质量文档浪费计算

与相关方法对比

方法	检索评估	纠正机制	网络搜索
Naive RAG	无	无	无
Self RAG	自检	跳过检索	无
CRAG	评估器	精炼+丢弃	支持
Adaptive RAG	复杂度判断	策略选择	可选

实现要点

1. 训练或获取可靠的检索评估器
2. 设计合理的纠正策略
3. 优化知识精炼算法
4. 平衡纠正开销与质量提升
5. 监控纠正操作的效果

应用场景

• 企业知识库问答（知识更新不及时）
• 开放域问答（需要网络补充）
• 专业领域问答（领域知识不完整）
• 长文档理解（文档质量参差不齐）

CRAG通过引入检索质量评估和纠正机制，显著提升了RAG系统的鲁棒性和可靠性。