Self-RAG
Na tej stronie
Autorefleksja w RAG
Corrective RAG kontroluje to, co trafia do promptu, ale nie to, co z niego wychodzi. Nawet idealny kontekst nie gwarantuje dobrej odpowiedzi: model może dodać szczegóły, których nie ma w dokumentach, lub wygenerować tekst poprawny merytorycznie, ale nieodpowiadający na zadane pytanie. Self-RAG (Self-Reflective RAG) wypełnia tę lukę, dodając dwie kontrole po generowaniu. Pierwsza bada podstawy faktyczne – czy odpowiedź rzeczywiście opiera się na dostarczonych dokumentach? Druga bada użyteczność – czy naprawdę odpowiada na to, o co pytano? Jeśli którakolwiek z tych kontroli zawiedzie, system powtarza proces, czyniąc go mechanizmem samokorekty, a nie prostym filtrem.
Przepływ ten rozszerza zatem Corrective RAG. Nadal masz etap pobierania (retrieval), następnie ocenę dokumentów, a potem generowanie. Dochodzą dwa nowe węzły: sprawdzanie halucynacji, które porównuje odpowiedź z dokumentami, oraz sprawdzanie odpowiedzi, które porównuje ją z pytaniem. Jeśli kontrola nie powiedzie się, system wraca do generowania lub pobiera świeże materiały z sieci, w zależności od tego, która weryfikacja zawiodła.
Sprawdzanie podstaw faktycznych
Pierwszy moduł sprawdzający otrzymuje dwa dane wejściowe: połączone dokumenty i wygenerowaną odpowiedź. Jego zadaniem nie jest ocena, czy odpowiedź jest prawdziwa w sensie absolutnym, ale czy jest w całości osadzona w dostarczonych materiałach. To rozróżnienie jest kluczowe: poprawne stwierdzenie, którego nie ma w dokumentach, musi zostać odrzucone, ponieważ pochodzi z pamięci treningowej modelu, a nie z Twojego korpusu – i nie ma gwarancji, że kolejne stwierdzenie będzie równie trafne. Format wyjścia odpowiada oceniaczowi: binarny obiekt JSON przy temperaturze zero.
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"
Sprawdzanie użyteczności
Drugi moduł sprawdzający nie widzi ani dokumentów, ani wyników pobierania – tylko pytanie i odpowiedź. Tak wąskie pole widzenia jest zamierzone, ponieważ izoluje ono wadę, którą pierwszy sprawdzacz przepuszcza. Wyobraź sobie, że ktoś pyta, ile wymiarów produkuje model embeddingów, a odpowiedź szczegółowo opisuje, do czego służą embeddingi, nigdy nie podając liczby. Wszystko jest osadzone w dokumentach, więc pierwszy sprawdzacz mówi „tak“, a użytkownik odchodzi bez szukanej informacji. Drugi sprawdzacz mówi „nie“ i uruchamia kolejną próbę.
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"
Pętla samokorekty
Klasa SelfRAG wykorzystuje znane już kroki pobierania i oceniania, a następnie opakowuje je w pętlę ponawiania ograniczoną przez max_retries. Logika pętli jest subtelniejsza, niż się wydaje, ponieważ dwa typy błędów są traktowane inaczej. Wykryta halucynacja po prostu wyzwala ponowne generowanie z tym samym kontekstem: problem leży po stronie modelu, który przesadził, i świeża próba często wystarcza. Odpowiedź uznana za nieużyteczną uruchamia jednak dodatkowe wyszukiwanie w sieci przed ponowną próbą: tutaj problem leży w kontekście, który jest zbyt ubogi, by poprzeć kompletną odpowiedź, a ponowne generowanie bez dodania czegokolwiek dałoby ten sam rezultat.
Zwróć uwagę na wyjście awaryjne po pętli. Gdy wszystkie próby zostaną wyczerpane, system nie zgłasza wyjątku: zwraca ostatnią wygenerowaną odpowiedź wraz z jej flagami grounded i useful. Jest to świadomy wybór projektowy – lepiej zwrócić niedoskonałą odpowiedź odpowiednio oznaczoną, którą Twój interfejs może wyróżnić dla użytkownika, niż wyrzucić surowy błąd.
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']}")
Koszt niezawodności
Każda bariera ochronna dodaje kolejne wywołanie LLM, a suma rośnie szybko. Poniższa funkcja czyni to wyraźnym, rozbijając liczbę wywołań na poszczególne etapy: jedno wywołanie oceny na dokument, następnie generowanie, sprawdzenie osadzenia i sprawdzenie użyteczności, powtarzane przy każdej próbie. Przy czterech dokumentach i jednej ponownej próbie dochodzisz do dziesięciu wywołań dla jednego pytania – podczas gdy podstawowy RAG wymagał dwóch. Uruchom to szacowanie z własnymi wartościami przed ustawieniem k i max_retries: obliczenie to powie Ci, czy Twój budżet i wymagania dotyczące opóźnień obsługują Self-RAG dla całego ruchu, czy tylko dla najbardziej newralgicznych pytań.
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
Kluczowe wnioski
- Self-RAG dodaje dwie kontrolne po generowaniu: halucynacje i użyteczność
- Jeśli odpowiedź nie jest osadzona w dokumentach, system generuje ją ponownie
- Jeśli odpowiedź nie jest użyteczna, system przeprowadza wyszukiwanie w sieci i ponawia próbę
- Liczba ponownych prób musi być ograniczona, aby kontrolować opóźnienia
- Self-RAG jest droższy (więcej wywołań LLM), ale bardziej niezawodny