Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Self-RAG

Lekce 16 z 18 Aktualizováno 2. listopadu 2026 Vývojář
Na této stránce
  1. Autoreflexe v RAG
  2. Kontrola faktického ukotvení
  3. Kontrola užitečnosti
  4. Smyčka samokorekce
  5. Cena spolehlivosti
  6. Klíčové poznatky

Autoreflexe v RAG

Corrective RAG řídí, co vstupuje do promptu, ale ne co z něj vychází. Ani perfektní kontext nezaručuje dobrou odpověď: model může přidat detaily, které se v dokumentech vůbec nenacházejí, nebo vytvořit text, který je sice fakticky správný, ale obchází skutečnou otázku. Self-RAG (Self-Reflective RAG) tuto mezeru uzavírá přidáním dvou kontrol po generování. První zkoumá faktické ukotvení – spoléhá odpověď skutečně na poskytnuté dokumenty? Druhá zkoumá užitečnost – odpovídá skutečně na to, na co se ptáte? Pokud některá kontrola selže, systém se vrací a zkouší to znovu, čímž se stává mechanismem samokorekce, nikoliv pouhým filtrem.

Tok tedy rozšiřuje Corrective RAG. Stále máte vyhledávání následované hodnocením dokumentů a poté generováním. Následují dva nové uzly: kontrola halucinací, která porovnává odpověď s dokumenty, a kontrola odpovědi, která ji porovnává s otázkou. Pokud kontrola selže, systém se buď vrátí ke generování, nebo získá čerstvý materiál z webu, v závislosti na tom, které ověření selhalo.

Kontrola faktického ukotvení

První kontrolor přijímá dva vstupy: spojené dokumenty a vygenerovanou odpověď. Jeho úkolem není posuzovat, zda je odpověď absolutně pravdivá, ale zda je zcela ukotvena v tom, co dostal k dispozici. Tento rozdíl je zásadní: přesné tvrzení, které v dokumentech chybí, musí být zamítnuto, protože pochází z trénovací paměti modelu, nikoliv z vašeho korpusu – a není žádná záruka, že další tvrzení bude přesné. Formát výstupu odpovídá hodnotiteli: binární JSON objekt při teplotě nula.

import json
from mistralai.client import Mistral

client = Mistral(api_key=api_key)

def check_hallucination(documents, generation):
    """Check whether the generation is grounded in the documents."""
    docs_text = "\n\n".join([d["text"] for d in documents])

    prompt = f"""You are a factual grounding evaluator. Given a set of
documents and a generated answer, determine whether the answer is entirely
grounded in the information contained in the documents.

Respond ONLY with a JSON object: {{"grounded": "yes"}} or {{"grounded": "no"}}

Documents:
{docs_text}

Generated answer:
{generation}

JSON evaluation:"""

    response = client.chat.complete(
        model="mistral-large-latest",
        messages=[{"role": "user", "content": prompt}],
        temperature=0,
        response_format={"type": "json_object"},
    )

    result = json.loads(response.choices[0].message.content)
    return result.get("grounded", "no") == "yes"

Kontrola užitečnosti

Druhý kontrolor nevidí ani dokumenty, ani výsledky vyhledávání – pouze otázku a odpověď. Toto úzké pole pohledu je záměrné, protože izoluje chybu, kterou první kontrola propustí. Představ si, že se někdo zeptá, kolik dimenzí produkuje model pro embeddings, a odpověď dlouze popisuje, k čemu se embeddings používají, aniž by kdy uvedla číslo. Všechno je ukotveno v dokumentech, takže první kontrolor řekne „ano“, a uživatel odejde bez informace. Druhý kontrolor řekne „ne“ a spustí další pokus.

def check_answer_usefulness(question, generation):
    """Check whether the answer actually addresses the question."""
    prompt = f"""You are an answer quality evaluator. Given a question
and an answer, determine whether the answer usefully and completely addresses the question.

Respond ONLY with a JSON object: {{"useful": "yes"}} or {{"useful": "no"}}

Question: {question}
Answer: {generation}

JSON evaluation:"""

    response = client.chat.complete(
        model="mistral-large-latest",
        messages=[{"role": "user", "content": prompt}],
        temperature=0,
        response_format={"type": "json_object"},
    )

    result = json.loads(response.choices[0].message.content)
    return result.get("useful", "no") == "yes"

Smyčka samokorekce

Třída SelfRAG znovu využívá známé kroky vyhledávání a hodnocení a poté je obalí do smyčky opakování ohraničené parametrem max_retries. Logika smyčky je složitější, než se zdá, protože dva typy selhání jsou řešeny odlišně. Zjištěná halucinace jednoduše spustí regeneraci se stejným kontextem: problém leží na straně modelu, který přestřelil, a čerstvý pokus často stačí. Odpověď označená jako neužitečná však před dalším pokusem spustí dodatečné vyhledávání na webu: zde problém spočívá v kontextu, který je příliš chudý na to, aby podpořil úplnou odpověď, a regenerace bez přidání něčeho nového by vedla ke stejnému výsledku.

Všimni si záložního ukončení po smyčce. Když jsou vyčerpány všechny pokusy, systém nezvedne výjimku: vrátí poslední generování spolu s jeho příznaky grounded a useful. Je to záměrné designové rozhodnutí – lepší je vrátit nedokonalou odpověď s odpovídajícím označením, kterou může tvé rozhraní uživateli signalizovat, než vyhodit surovou chybu.

import numpy as np

class SelfRAG:
    """Self-RAG pipeline with self-correction."""

    def __init__(self, chunks, embeddings, index, max_retries=2):
        self.chunks = chunks
        self.embeddings = embeddings
        self.index = index
        self.max_retries = max_retries

    def retrieve(self, question, k=4):
        """Standard retrieval."""
        response = client.embeddings.create(
            model="mistral-embed", inputs=[question]
        )
        query_vec = np.array([response.data[0].embedding], dtype=np.float32)
        distances, indices = self.index.search(query_vec, k)

        return [
            {"text": self.chunks[idx]["text"], "source": self.chunks[idx].get("source", "")}
            for dist, idx in zip(distances[0], indices[0]) if idx >= 0
        ]

    def grade_documents(self, question, documents):
        """Evaluate document relevance."""
        relevant = []
        for doc in documents:
            if grade_document(question, doc["text"]):
                relevant.append(doc)
        return relevant, len(relevant) < len(documents)

    def generate(self, question, documents):
        """Generate an answer."""
        context = "\n\n---\n\n".join([d["text"] for d in documents])
        prompt = f"Context:\n{context}\n\nQuestion: {question}"

        response = client.chat.complete(
            model="mistral-large-latest",
            messages=[{"role": "user", "content": prompt}],
            temperature=0.2,
        )
        return response.choices[0].message.content

    def ask(self, question, k=4):
        """Complete Self-RAG pipeline with self-correction."""
        print(f"\n=== Self-RAG: {question[:60]}... ===")

        # 1. Retrieval
        print("1. Retrieval...")
        docs = self.retrieve(question, k=k)

        # 2. Grading
        print("2. Grading documents...")
        relevant_docs, need_web = self.grade_documents(question, docs)

        if need_web:
            print("   -> Fallback web search")
            web_docs = web_search_fallback(question)
            relevant_docs.extend(web_docs)

        # 3. Generation loop with self-correction
        for attempt in range(self.max_retries + 1):
            print(f"3. Generation (attempt {attempt + 1})...")
            generation = self.generate(question, relevant_docs)

            # 4. Hallucination check
            print("4. Checking hallucinations...")
            is_grounded = check_hallucination(relevant_docs, generation)

            if not is_grounded:
                print("   -> HALLUCINATION detected, retrying...")
                continue

            # 5. Usefulness check
            print("5. Checking usefulness...")
            is_useful = check_answer_usefulness(question, generation)

            if not is_useful:
                print("   -> Answer NOT USEFUL, fallback web search...")
                web_docs = web_search_fallback(question)
                relevant_docs.extend(web_docs)
                continue

            # Success
            print("   -> Answer validated!")
            return {
                "answer": generation,
                "attempts": attempt + 1,
                "grounded": True,
                "useful": True,
            }

        # If all attempts fail
        print("   -> Maximum attempts reached")
        return {
            "answer": generation,
            "attempts": self.max_retries + 1,
            "grounded": is_grounded,
            "useful": is_useful,
        }

# Usage
self_rag = SelfRAG(chunks, embeddings, index, max_retries=2)
result = self_rag.ask("What are the advantages of RAG over fine-tuning?")

print(f"\nAnswer: {result['answer']}")
print(f"Attempts: {result['attempts']}")
print(f"Grounded: {result['grounded']}, Useful: {result['useful']}")

Cena spolehlivosti

Každá ochranná zábrana přidává další volání LLM a celkový počet rychle narůstá. Následující funkce to činí explicitním rozkladem volání na jednotlivé kroky: jedno volání pro hodnocení na každý dokument, poté generování, kontrola ukotvení a kontrola užitečnosti, přičemž vše se opakuje při každém retry. Se čtyřmi dokumenty a jedním opakováním dosáhneš deseti volání pro jedinou otázku – zatímco základní RAG vyžadovalo dvě. Spusť tento odhad se svými vlastními hodnotami před nastavením k a max_retries: tento výpočet ti řekne, zda tvůj rozpočet a požadavky na latenci podporují Self-RAG pro veškerý provoz, nebo pouze pro ty nejcitlivější dotazy.

def estimate_self_rag_cost(n_docs=4, n_retries=1):
    """Estimate the number of LLM calls for a Self-RAG question."""
    calls = {
        "grading": n_docs,           # 1 call per document
        "generation": 1 + n_retries, # 1 initial + retries
        "hallucination_check": 1 + n_retries,
        "answer_check": 1 + n_retries,
    }
    total = sum(calls.values())
    print(f"Estimated LLM calls: {total}")
    for step, count in calls.items():
        print(f"  {step}: {count}")
    return total

estimate_self_rag_cost(n_docs=4, n_retries=1)
# Estimated LLM calls: 10

Klíčové poznatky

  • Self-RAG přidává dvě kontroly po generování: halucinace a užitečnost
  • Pokud odpověď není ukotvena v dokumentech, systém ji vygeneruje znovu
  • Pokud odpověď není užitečná, systém provede vyhledávání na webu a zkusí to znovu
  • Počet opakování musí být omezen, aby se kontrolovala latence
  • Self-RAG je dražší (více volání LLM), ale spolehlivější