Agentic RAG 实战：自省式检索与纠错性 RAG (CRAG) 网络架构

传统静态检索管线的阿喀琉斯之踵

在传统的静态 RAG 流水线中，“检索 -> 生成”是一条单向不可逆的流水线。如果第一步检索召回的内容完全不相关、包含错误信息或存在矛盾，后端的生成模型只能硬着头皮基于脏数据胡言乱语，产生极其严重的幻觉。

Corrective RAG (CRAG) 与 Self-RAG 引入了自适应反思机制，赋予系统在检索质量低下时“主动质疑、改写并切换备用信源”的智能体能力。

CRAG 的三重决策逻辑与纠错流

CRAG 的核心在于引入独立的检索质量评估器（Retrieval Evaluator）：

1. 置信度达标 (Correct)：召回内容与问题高度匹配，直接进行知识精炼（Knowledge Refinement）与生成；
2. 置信度偏低 (Incorrect)：判定本地检索内容彻底不相关，立即触发**外部回退搜索引擎（Web Search Fallback）**重新抓取互联网最新证据；
3. 置信度模糊 (Ambiguous)：融合本地片段与外部检索结果，并由大模型触发 Query Rewrite（问题改写） 尝试二次精确检索。

纠错决策树实现

import assert from "node:assert/strict";
function cragDecision(score) {
  if (score >= 0.8) return "GENERATE";
  if (score < 0.4) return "SEARCH";
  return "REWRITE";
}
assert.equal(cragDecision(0.9), "GENERATE");
assert.equal(cragDecision(0.2), "SEARCH");

原始资料与溯源链接

• Corrective Retrieval Augmented Generation (CRAG)：CRAG 自适应纠错检索开创性论文。