Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Self-RAG

Lekcia 16 z 18 Aktualizované 2. novembra 2026 Vývojár
Na tejto strane
  1. Sebavedomie v RAG
  2. Kontrola faktického ukotvenia
  3. Kontrola užitočnosti
  4. Slučka samokorekcie
  5. Cena spoľahlivosti
  6. Kľúčové poznatky

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