Self-RAG 与 Corrective RAG 解决什么问题？

题目

Naive RAG 是”检索-生成”线性流程，无法应对检索失败或检索错误。Self-RAG 与 Corrective RAG 各自如何解决？请对比。

参考答案

Naive RAG 的痛点：

• 检索不到也硬生成 → 幻觉。
• 检索到无关内容也塞进 prompt → 干扰。
• 检索错误（找错文档）无法纠正。
• 无法决定”要不要检索""检索够不够”。

Self-RAG（Self-Reflective RAG）：

核心思想：让模型学会反思 token，自主决定检索时机与是否采用检索结果。

• 训练模型输出特殊 reflection token：
  • [Retrieve]：是否需要检索。
  • [IsRel]：检索结果是否相关。
  • [IsSup]：生成是否被检索支持。
  • [IsUse]：回答是否有用。
• 推理时模型边生成边自评，按需触发检索、过滤无关结果、丢弃无支持回答。
• 训练需用 RL 或 SFT 让模型学会何时输出这些 token。

Corrective RAG（CRAG）：

核心思想：检索后先评估质量，再决定如何用，失败时回退网络搜索。

• 引入轻量检索评估器：给检索结果打分（正确/模糊/错误）。
• 三种处理：
  • 正确：精炼后用（提取最相关片段）。
  • 模糊：结合检索 + 网络搜索补充。
  • 错误：丢弃检索，纯网络搜索重检。
• 把 RAG 从”被动接受检索结果”升级为”主动质控 + 多源兜底”。

对比：

维度	Self-RAG	CRAG
反思路径	模型内置反思 token	外置评估器 + 规则
是否需重训	需（教模型反思）	不需（外挂模块）
检索触发	模型自主决定	始终检索 + 评估
失败兜底	丢弃无支持生成	网络搜索补充
落地难度	高（需训练）	低（即插即用）

Agentic RAG：进一步把 RAG 包装为 Agent，让 LLM 自主决定查询改写、多轮检索、跨库检索、是否继续深挖——是 Self-RAG/CRAG 思想的 Agent 化升级。

面试加分点：

• 指出三者共同主线：“让 RAG 从流水线变为带反馈的闭环”——能否信任检索、检索不够怎么办、是否要重检索。
• CRAG 工程落地最友好（无需重训），Self-RAG 上限更高但成本高。
• 现代生产 RAG 多用 CRAG 思路：检索 + 重排 + 质量分阈值 + 兜底网络搜索。

出处：头条《高级 RAG 范式：Self-RAG、CRAG、GraphRAG 到底解决什么问题》、Self-RAG/CRAG 论文。