Corrective RAG

Corrective RAG — это подход к построению ИИ-систем, отвечающих на вопросы с опорой на внешние источники. Обычный RAG находит документы и передаёт их языковой модели. Corrective RAG добавляет шаг самопроверки: система оценивает, релевантны ли найденные документы и достаточно ли их. Если нет — исправляет запрос, ищет заново или полностью меняет стратегию. Это «самокритичный» поисковик, который не просто выдаёт результаты, а чинит сам себя.

Зачем это нужно? Классический RAG страдает от шума: модель получает тексты, лишь отдалённо похожие на ответ, и начинает галлюцинировать. Corrective RAG отсеивает неудачные фрагменты и повторяет поиск с уточнёнными ключевыми словами. Это критично для медицины, юриспруденции и техподдержки, где ошибка дорого стоит.

Интуитивно это работает как библиотекарь: сначала он приносит несколько книг, просматривает оглавление, понимает, что они не подходят, возвращается в каталог и находит нужный том. Языковая модель оценивает каждый отрывок по шкале уверенности, затем либо использует его, либо корректирует запрос и ищет снова. В сложных случаях система может задать пользователю уточняющий вопрос.

Пример: клиент пишет в банк «продлите мою карту». Простой RAG найдёт общую инструкцию, но забудет про условия тарифа и срок действия. Corrective RAG заметит пропуск, добавит к запросу «истечение срока, премиум-тариф» и даст точный ответ. Пользователь получает решение, а не общие слова.

Коротко: Corrective RAG делает ИИ-помощников честнее и надёжнее. Он не заменяет качественной базы знаний, но учит систему проверять находки и не выдавать мусор за истину. Это шаг к осознанному поиску ответа, а не просто генерации правдоподобного текста.