C-RAG: 检索扩展语言模型的认证生成风险
内容提要
检索增强生成（RAG）可缓解大语言模型的幻觉与知识过时问题。CRAG通过轻量检索评估模型判断文档质量并触发不同检索操作，结合网络搜索与分解重组过滤无关信息，在四个数据集上显著提升性能。相关综述总结了Naive、Advanced、Modular三种RAG范式及检索器、生成器、增强方法，并讨论了评估与未来方向。
延伸解读
CRAG 如何提升 RAG 的可靠性
CRAG 通过轻量级检索评估模型对检索文档的整体质量进行打分，并据此触发不同的知识检索操作。当评估置信度较低时，它会利用大规模网络搜索扩展检索结果，再通过分解和重组算法过滤无关信息。这种机制使 CRAG 能无缝集成到现有 RAG 方法中，在短文和长文生成任务上均显著提升性能。
RAG 范式的演进与核心组件
相关综述将 RAG 的发展归纳为三种范式：Naive RAG、Advanced RAG 和 Modular RAG。同时，它系统梳理了检索器、生成器和增强方法三个核心组件及其关键技术。这为理解 RAG 的技术脉络提供了框架，也表明 RAG 正从简单拼接走向模块化、可优化的系统。
RAG 评估的挑战与自动化方向
评估 RAG 模型的有效性是一个关键问题。文章介绍了两种评估方法、重点指标和能力，以及最新的自动评估框架，如 RAGAs 框架，它支持无参考评估，无需人工标注真值。这有助于快速评估不同 RAG 架构，适应 LLMs 快速采用的需求。
RAG 的局限与未来研究方向
系统调查发现，LLMs 在噪音鲁棒性、负面拒绝、信息整合和对抗性鲁棒性方面仍存在挑战，表明有效应用 RAG 还有很长的路要走。未来研究可从垂直优化、水平可扩展性以及技术堆栈和生态系统三个方面推进。此外，不相关文档有时能意外提升准确性超过 30%，这提示需要专门策略来结合检索与生成。
Q&A
CRAG是什么？它主要解决什么问题？
CRAG是纠正检索增强生成（Corrective Retrieval-Augmented Generation）的缩写。它主要解决大语言模型因仅依赖参数知识而产生的幻觉问题，通过评估检索文档质量并触发不同检索操作来提升生成鲁棒性。
CRAG是如何工作的？
CRAG通过设计轻量级检索评估模型评估检索文档的整体质量，并返回信心度，从而触发不同的知识检索操作。它利用大规模网络搜索扩展检索结果，并通过分解和重组算法选择性关注关键信息、过滤不相关信息。
CRAG在哪些任务上进行了实验？效果如何？
CRAG在涵盖短文和长文生成任务的四个数据集上进行了实验，结果表明CRAG可以显著提高基于RAG的方法的性能。
RAG有哪些主要范式？
RAG的主要范式包括三种：Naive RAG、Advanced RAG和Modular RAG。
RAG系统由哪些核心组件构成？
RAG系统由三个主要组件构成：检索器、生成器和增强方法。
如何评估RAG模型的有效性？
评估RAG模型的有效性可以通过两种评估方法、重点指标和能力，以及最新的自动评估框架来进行。
RAG技术未来的研究方向有哪些？
RAG技术的未来研究方向包括垂直优化、水平可扩展性以及RAG的技术堆栈和生态系统三个方面。
