Self-RAG
Na této stránce
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