Self-RAG
Na tejto strane
Sebavedomie v RAG
Corrective RAG riadi, čo sa dostane do promptu, ale nie to, čo z neho vyjde. Ani perfektný kontext nezaručuje dobrú odpoveď: model môže pridať detaily, ktoré sa v dokumentoch nenachádzajú, alebo vyprodukovať text, ktorý je síce presný, ale obchádza skutočnú otázku. Self-RAG (Self-Reflective RAG) túto medzeru uzatvára pridaním dvoch kontrol po generovaní. Prvá skúma faktické ukotvenie – vychádza odpoveď skutočne z poskytnutých dokumentov? Druhá skúma užitočnosť – odpovedá skutočne na to, na čo sa pýtali? Ak ktorákoľvek kontrola zlyhá, systém sa vráti a skúsi to znova, čím sa stáva mechanizmom samokorekcie, nie len jednoduchým filtrom.
Tok sa teda rozširuje o Corrective RAG. Stále máš retrieval nasledovaný hodnotením dokumentov a potom generovaním. Ďalej prichádzajú dva nové uzly: kontrola halucinácií, ktorá porovnáva odpoveď s dokumentmi, a kontrola odpovede, ktorá ju porovnáva s otázkou. Ak kontrola zlyhá, systém sa buď vráti k generovaniu, alebo získa čerstvý materiál z webu, v závislosti od toho, ktoré overenie zlyhalo.
Kontrola faktického ukotvenia
Prvý kontrolór dostáva dva vstupy: spojené dokumenty a vygenerovanú odpoveď. Jeho úlohou nie je posúdiť, či je odpoveď absolútne pravdivá, ale či je celá ukotvená v tom, čo dostal. Tento rozdiel je dôležitý: presné tvrdenie, ktoré chýba v dokumentoch, musí byť zamietnuté, pretože pochádza z trénovacej pamäte modelu, nie z tvojho korpusu – a niet záruky, že ďalšie tvrdenie bude presné. Formát výstupu zodpovedá hodnotiteľovi: binárny JSON objekt pri teplote 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 užitočnosti
Druhý kontrolór nevidí ani dokumenty, ani výsledky retrievalu – iba otázku a odpoveď. Toto úzke zorné pole je zámerné, pretože izoluje chybu, ktorú prvá kontrola prepustí. Predstav si, že sa niekto opýta, koľko dimenzií produkuje model embeddings, a odpoveď dlho opisuje, na čo sa embeddings používajú, bez toho, aby niekedy uviedla číslo. Všetko je ukotvené v dokumentoch, takže prvý kontrolór povie „áno“ a používateľ odíde bez potrebných informácií. Druhý kontrolór povie „nie“ a spustí ďalší 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"
Slučka samokorekcie
Trieda SelfRAG znovu využíva známe kroky retrievalu a hodnotenia a potom ich obalí do slučky opakovania ohraničenej parametrom max_retries. Logika slučky je jemnejšia, než sa zdá, pretože dva typy zlyhania sa riešia odlišne. Zistená halucinácia jednoducho spustí regeneráciu s rovnakým kontextom: problém je v modeli, ktorý zašiel priďaleko, a čerstvý pokus často stačí. Odpoveď označená ako nepoužiteľná však pred ďalším pokusom spustí dodatočné vyhľadávanie na webe: tu je problém v kontexte, ktorý je príliš chudobný na podporu úplnej odpovede, a regenerácia bez pridania čohokoľvek by priniesla rovnaký výsledok.
Všimni si núdzové ukončenie po slučke. Keď sa vyčerpajú všetky pokusy, systém nezdvihne výnimku: vráti poslednú generáciu spolu s jej príznakmi grounded a useful. Je to zámerné dizajnové rozhodnutie – lepšie je vrátiť nedokonalú odpoveď s príslušným označením, ktorú tvoje rozhranie môže používateľovi signalizovať, než vyhodiť surovú 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 spoľahlivosti
Každá ochranná bariéra pridáva ďalšie volanie LLM a celkový súčet rýchlo narastá. Nižšie uvedená funkcia to explicitne ukazuje rozdelením volaní podľa krokov: jedno volanie na hodnotenie pre každý dokument, potom generovanie, kontrola ukotvenia a kontrola užitočnosti, pričom každé sa opakuje pri každom retry. So štyrmi dokumentmi a jedným retry dosiahneš desať volaní pre jednu otázku – zatiaľ čo základný RAG vyžadoval dve. Spusti tento odhad so svojimi vlastnými hodnotami pred nastavením k a max_retries: tento výpočet ti povie, či tvoj rozpočet a požiadavky na latenciu podporujú Self-RAG pre celú premávku, alebo len pre najcitlivejšie otázky.
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
Kľúčové poznatky
- Self-RAG pridáva dve kontroly po generovaní: halucinácie a užitočnosť
- Ak odpoveď nie je ukotvená v dokumentoch, systém ju vygeneruje znova
- Ak odpoveď nie je užitočná, systém vykoná vyhľadávanie na webe a skúsi to znova
- Počet opakovaní musí byť obmedzený na kontrolu latencie
- Self-RAG je drahší (viac volaní LLM), ale spoľahlivejší