高级 RAG 变体：Corrective RAG、Self-RAG、Adaptive RAG
高级 RAG 变体：Corrective RAG、Self-RAG、Adaptive RAG
难度：高级
分类：RAG
简短回答
三种高级 RAG 变体各解决不同问题：Self-RAG 通过反思 token 动态决定是否检索并自我评估输出质量，提升事实准确性；Corrective RAG (CRAG) 在检索后评估文档质量，对低质量结果触发 Web 搜索补救；Adaptive RAG 用分类器分析查询复杂度，动态路由到最合适的检索策略。三者可以组合使用，构成多层防御的高可靠 RAG 系统。
详细解析
1. Self-RAG（自我反思 RAG）
核心思想： 训练 LLM 生成特殊的"反思 token"来自我管理检索和输出质量。
工作流程
Query → LLM 判断是否需要检索？
├── 不需要 → 直接生成（简单问题，如常识）
└── 需要 → 检索文档
→ 生成回答
→ [反思 token] 评估：
├── 检索结果是否相关？（Relevance）
├── 回答是否基于检索内容？（Support）
└── 回答是否有用？（Utility）
→ 如果不满意 → 重新检索或修改回答两种特殊 Token
- Reflection Token（反思 token）：决定是否需要检索
- Critique Token（批评 token）：评估检索结果和生成内容的质量
class SelfRAG:
def answer(self, query: str) -> str:
# 1. 决定是否需要检索
need_retrieval = self.llm.predict_retrieval_need(query)
if not need_retrieval:
return self.llm.generate(query)
# 2. 检索并生成
docs = self.retriever.search(query)
response = self.llm.generate_with_context(query, docs)
# 3. 自我批评
relevance_score = self.llm.critique_relevance(docs, query)
support_score = self.llm.critique_support(response, docs)
utility_score = self.llm.critique_utility(response, query)
# 4. 如果质量不够，迭代改进
if min(relevance_score, support_score, utility_score) < THRESHOLD:
return self.retry_with_refined_query(query)
return response关键优势： 根据 Asai et al. (2023) 论文（ICLR 2024 Oral）在 Open-domain QA、推理和事实验证等六类任务上的实验，Self-RAG（7B/13B）显著优于 ChatGPT 和 retrieval-augmented Llama2-chat，事实性指标在多个任务上取得 SOTA。在医疗、法律、金融等高精度需求场景尤为有价值。
局限： 需要用特殊 token 对模型进行微调，不能直接用于现有 API 模型。
2. Corrective RAG (CRAG)
核心思想： 在检索之后、生成之前，加入一个轻量级评估器来评估文档质量，并在质量不足时启用 Web 搜索作为补救。
工作流程
CRAG 在检索与生成之间加评估器：相关直接用，模糊先精炼再补 Web，不相关整组换 Web 搜索兜底。
class CorrectiveRAG:
def answer(self, query: str) -> str:
# 1. 标准检索
docs = self.retriever.search(query)
# 2. 评估检索质量
evaluations = []
for doc in docs:
score = self.evaluator.grade(query, doc)
evaluations.append((doc, score))
# 3. 根据评估结果分类处理
relevant_docs = [d for d, s in evaluations if s == "relevant"]
ambiguous_docs = [d for d, s in evaluations if s == "ambiguous"]
if not relevant_docs:
# 所有文档都不相关 → Web 搜索补救
web_results = self.web_search(query)
context = web_results
elif ambiguous_docs:
# 部分模糊 → 知识精炼 + Web 补充
refined = self.knowledge_refine(relevant_docs)
web_supplement = self.web_search(query)
context = refined + web_supplement
else:
# 文档质量好 → 直接使用
context = relevant_docs
# 4. 生成回答
return self.llm.generate(query, context)关键优势： 轻量级——评估器可以是小模型（甚至规则引擎），不需要微调主 LLM。Web 搜索兜底确保即使知识库不完善也能给出有用回答。
适用场景： 法律研究、学术写作、政策分析——准确性至关重要且允许稍高延迟的场景。
3. Adaptive RAG
核心思想： 在检索之前，用分类器分析查询复杂度，然后动态选择最合适的检索策略。
工作流程
Adaptive RAG 用复杂度分类器前置路由：简单不检索，中等单次 RAG，复杂多跳检索加验证。
class AdaptiveRAG:
def answer(self, query: str) -> str:
# 1. 分析查询复杂度
complexity = self.classifier.predict(query)
if complexity == "simple":
# 常识问题 → 不需要检索
return self.llm.generate(query)
elif complexity == "moderate":
# 标准问题 → 单次 RAG
docs = self.retriever.search(query)
return self.llm.generate(query, docs)
elif complexity == "complex":
# 复杂多跳问题 → 多轮检索 + 验证
sub_queries = self.decompose(query)
all_docs = []
for sq in sub_queries:
docs = self.retriever.search(sq)
# 用 CRAG 的评估器验证质量
verified = self.evaluator.filter(sq, docs)
all_docs.extend(verified)
return self.llm.generate(query, all_docs)关键优势： 通过避免对简单问题过度检索来优化效率和成本。复杂问题得到更深入的处理。
适用场景： 查询复杂度差异大的系统（客服、通用助手）——简单 FAQ 不需要检索，复杂分析需要多轮检索。
三者对比
| 维度 | Self-RAG | Corrective RAG | Adaptive RAG |
|---|---|---|---|
| 核心关注 | 输出质量自我评估 | 检索结果质量纠正 | 查询复杂度适配 |
| 决策时机 | 检索前+生成后 | 检索后+生成前 | 检索前 |
| 纠错机制 | 反思 token + 重试 | 评估器 + Web 搜索 | 路由到合适策略 |
| 模型要求 | 需要微调 | 轻量级评估器 | 分类器 |
| 额外成本 | 中（多轮生成） | 低-中（评估+Web） | 低（分类器） |
| 最佳场景 | 高精度需求 | 知识库不完善时 | 混合复杂度查询 |
组合使用：多层防御
三种变体可以组合构成更强大的系统：
class CombinedAdvancedRAG:
def answer(self, query: str) -> str:
# Layer 1: Adaptive RAG — 路由到合适策略
complexity = self.classifier.predict(query)
if complexity == "simple":
return self.llm.generate(query)
# Layer 2: 标准检索
docs = self.retriever.search(query)
# Layer 3: Corrective RAG — 评估并纠正检索质量
verified_docs = self.evaluator.filter_and_correct(query, docs)
# Layer 4: Self-RAG — 生成并自我评估
response = self.self_rag.generate_with_critique(query, verified_docs)
return response常见误区 / 面试追问
误区："这些变体互相替代" — 它们解决不同环节的问题，完全可以组合使用。Adaptive RAG 做前端路由，CRAG 做检索质量控制，Self-RAG 做输出质量保证。
误区："Self-RAG 可以用任何 LLM" — 原始 Self-RAG 需要用反思 token 微调模型。不过，可以通过 Prompt Engineering 模拟类似效果（让 LLM 在 Prompt 中评估自己的输出），但效果不如原版。
追问："GraphRAG 属于哪个类别？" — GraphRAG 是另一种独立变体，它用知识图谱代替（或补充）向量检索。适合实体关系密集的场景（如组织架构、产品关系网络）。与上述三种变体正交，可以并行使用。
追问："实际生产中最常用的是哪种？" — Corrective RAG 因为实现简单（不需要微调）且效果显著而最常被采用。Adaptive RAG 在成本敏感场景也很流行。Self-RAG 因为需要微调，更多出现在研究中。