Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Self-RAG

Lekcija 16 od 18 Ažurirano 2. studenoga 2026. Programer
Na ovoj stranici
  1. Samorefleksija u RAG-u
  2. Provjera činjenične utemeljenosti
  3. Provjera korisnosti
  4. Petlja samokorekcije
  5. Cijena pouzdanosti
  6. Ključne točke

Samorefleksija u RAG-u

Corrective RAG kontrolira što ulazi u prompt, ali ne i što izlazi iz njega. Čak ni savršen kontekst ne garantira dobar odgovor: model može dodati detalje kojih nema u dokumentima ili proizvesti tekst koji je točan, ali izbjegava stvarno pitanje. Self-RAG (Self-Reflective RAG) zatvara taj jaz dodavanjem dviju provjera nakon generiranja. Prva ispituje činjeničnu utemeljenost – oslanja li se odgovor doista na priložene dokumente? Druga ispituje korisnost – odgovara li stvarno na ono što je pitano? Ako jedna od ovih provjera ne uspije, sustav se vraća u petlju i pokušava ponovno, čime postaje mehanizam samokorekcije, a ne jednostavan filtar.

Tijek se stoga nadograđuje na Corrective RAG. I dalje imaš dohvaćanje, zatim ocjenjivanje dokumenata, pa generiranje. Slijede dva nova čvora: provjera halucinacija, koja uspoređuje odgovor s dokumentima, i provjera odgovora, koja ga uspoređuje s pitanjem. Ako provjera ne uspije, sustav se ili vraća na generiranje ili dohvaća svježi materijal s weba, ovisno o tome koja je verifikacija pala.

Provjera činjenične utemeljenosti

Prvi provjeritelj prima dva ulaza: spojene dokumente i generirani odgovor. Njegov zadatak nije procijeniti je li odgovor istinit u apsolutnom smislu, već je li u potpunosti utemeljen onome što je dobio. Ova razlika je ključna: točna izjava koje nema u dokumentima mora biti odbijena jer potječe iz memorijskog treninga modela, a ne iz tvog korpusa – i nema jamstva da će sljedeća izjava biti točna. Format izlaza odgovara ocjenjivaču: binarni JSON objekt na temperaturi 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"

Provjera korisnosti

Drugi provjeritelj ne vidi ni dokumente ni rezultate dohvaćanja – samo pitanje i odgovor. Ovo usko vidno polje je namjerno jer izolira manu koju prvi provjeritelj propušta. Zamisli da netko pita koliko dimenzija proizvodi model za ugradnje (embeddings), a odgovor opširno opisuje čemu ugradnje služe, a da nikad ne navede broj. Sve je utemeljeno u dokumentima, pa prvi provjeritelj kaže „da“, a korisnik odlazi bez tražene informacije. Drugi provjeritelj kaže „ne“ i pokreće novi pokušaj.

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"

Petlja samokorekcije

Razred SelfRAG ponovno koristi poznate korake dohvaćanja i ocjenjivanja, a zatim ih omata u petlju ponovnog pokušaja ograničenu s max_retries. Logika petlje suptilnija je nego što se čini jer se dvije vrste neuspjeha različito tretiraju. Otkrivena halucinacija jednostavno pokreće ponovno generiranje s istim kontekstom: problem je u modelu, koji je pretjerao, i svježi pokušaj često sufficeira. Odgovor koji se procijeni beskorisnim, međutim, pokreće dodatno pretraživanje weba prije ponovnog pokušaja: ovdje je problem u kontekstu, koji je pretanak da bi podržao potpun odgovor, a ponovno generiranje bez dodavanja novog dalo bi isti rezultat.

Obrati pažnju na izlaznu točku nakon petlje. Kada se iscrpe svi pokušaji, sustav ne baca iznimku: vraća posljednje generiranje zajedno s njegovim zastavicama grounded i useful. Ovo je namjeran dizajnerski izbor – bolje je vratiti nesavršen odgovor označen kao takav, koji tvoje sučelje može označiti korisniku, nego baciti sirovu grešku.

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']}")

Cijena pouzdanosti

Svaka zaštitna ograda dodaje još jedan poziv LLM-u, a ukupni zbroj brzo raste. Donja funkcija to čini eksplicitnim raščlanjivanjem poziva po koraku: jedan poziv za ocjenjivanje po dokumentu, zatim generiranje, provjera utemeljenosti i provjera korisnosti, pri čemu se svaki ponavlja kod svakog ponovnog pokušaja. S četiri dokumenta i jednim ponovnim pokušajem, dolaziš do deset poziva za jedno pitanje – gdje je osnovni RAG zahtijevao dva. Pokreni ovu procjenu sa svojim vlastitim vrijednostima prije postavljanja k i max_retries: ovaj izračun govori ti podržavaju li tvoj budžet i zahtjevi za latencijom Self-RAG za sav promet ili samo za najosjetljivija pitanja.

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

Ključne točke

  • Self-RAG dodaje dvije provjere nakon generiranja: halucinacije i korisnost
  • Ako odgovor nije utemeljen u dokumentima, sustav ga ponovno generira
  • Ako odgovor nije koristan, sustav provodi pretraživanje weba i pokušava ponovno
  • Broj ponovnih pokušaja mora biti ograničen radi kontrole latencije
  • Self-RAG je skuplji (više poziva LLM-u), ali pouzdaniji