crag

CRAG (Corrective RAG) 检索器

CRAG 引入了一个轻量级的检索评估器，用于判断所检索到的文档内容与查询的相关性。根据评估结果，CRAG 会在生成的流水线中决定采用不同的策略：

• Correct (准确)：直接使用检索内容生成回答。
• Incorrect (错误)：舍弃检索内容，并调用外部 Web 搜索工具获取新信息。
• Ambiguous (模糊)：同时结合内部检索和外部搜索的信息。

流水线结构

1. 向量搜索: 进行初步的内部文档召回。
2. 检索评估 (Retrieval Evaluation): 使用 LLM 或评估模型打分。
3. 自适应行动 (Action):
   • 触发 Web Search 进行补救。
   • 触发 DocStore 集成 进行本域内证据深度挖掘。
4. 最终生成: 结合多源信息生成最终答案。

核心优化：DocStore 集成

通过集成 DocStore，CRAG 具备更强的本域补救能力：

• 上下文补全 (PDR)：当检索评估为“模糊”或“部分相关”时，不仅仅是召回分块，CRAG 还可以通过 DocStore 召回该文档下的所有分块或对应的父文档原文，尝试在不依赖外部互联网的情况下提升准确率。
• 证据回传：在切换到外部搜索前，利用 DocStore 进行最后一次深度检查。

使用示例

import (
    "github.com/DotNetAge/gorag/pkg/retriever/crag"
)

retriever := crag.NewRetriever(
    vectorStore,
    embedder,
    evaluator,
    llm,
    crag.WithWebSearcher(webSearcher),
    crag.WithDocStore(docStore), // 启用 DocStore 增强
)