本文主要是介绍【AI开发】CRAG、Self-RAG、Adaptive-RAG，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
先放一张基础RAG的流程图
https://blog.langchain.dev/agentic-rag-with-langgraph/
再放一个CRAG和self-RAG的LangChain官方博客
Corrective RAG(CRAG)
首先需要知道的是CRAG的特色发生在retrieval阶段的最后开始，即当我们获得到了近似的document（或者说relevant snippets）之后。
然后我们会进入一个额外的环节，叫Knowledge Correction。在这里呢我们会先对retrieval得到的每一个相关切片snippets进行evaluate，评估一下我们获取到的snippet是不是对问的问题有效？（此处重点：evaluator也是一个LLM）
然后会有三种情况：
- Correct：那就直接进行RAG的正常流程。（不过图中是加了进一步的优化）
- Incorrect：那就直接丢弃掉原来的document，直接去web里搜索相关信息
- Ambiguous：对于模糊不清的，就两种方式都要
那么在最后的generation部分，也是根据三种不同的情况分别做处理。
- 之前是correct，那现在就直接拼接问题和相关文档
- 之前是incorrect，那现在就直接拼接问题和web获取的信息
- 之前是ambiguous，那现在就拼接三个加起来
以上是CRAG的原始大概逻辑，但在langchain中对此进行了简化：
在Langchain中只存在两种情况，即当incorrect的时候，直接就去web上search了（先经过一个transform_query对问题进行重写，变成更适合web搜索的形式）
Self-RAG
和CRAG的核心都是self-reflective，即当我发现结果不是那么有效时，我要通过环回溯到之前的步骤去优化。
和CRAG不一样的是，selfRAG的流程是从最开始进行的，大概流程：
- 先判断问题是不是需要retrieval，如上图右下角，此处的问题是写一篇essay，那其实根本没必要去retrieval，直接放入LLM就行
- 当问题需要检索的时候，我们会将得到的每个document snippet分别判断
①是否有关relevant：
如果无关，那就不进行第②步。
如果有关：
②如果有关，那是否支持support，或者部分支持partial support，或者不支持 - 当我们对所有snippets都判断后，按照相关性进行排序，然后依次送到LLM中去进行最后的步骤。
- 在最后生成后还有一次评估，总共三次。
这是用LangChain（LangGraph）做self-RAG的流程图，如果能自己动手画出来这个图，知道什么时候是哪个节点，什么时候是哪种边，就说明真正学会了。
推荐个b站up：沧海九粟
我的很多文章都是看他的视频做的
Adaptive RAG
这个我就不写了，有篇博客写的很好
https://blog.csdn.net/qq_45668004/article/details/138199143
总结一下就是：self-RAG里面的令牌大多都是关于判断得到的某个东西合不合要求，从而进行不一样的action。而Adaptive里面的令牌相当于一个分类器，把问题分类成几种类型，每种类型对应不同复杂程度的RAG模型
这篇关于【AI开发】CRAG、Self-RAG、Adaptive-RAG的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
