selfrag

Self-RAG 检索器

Self-RAG (Self-Reflective RAG) 是一种具备自我批判和精炼能力的检索架构。它不仅仅直接输出检索结果，还会评估检索分块的相关度、回答的忠实度以及有用性。如果生成的回答未通过质量检查，Self-RAG 会触发迭代式的重写或重新检索。

工作流：生成 -> 反思 -> 迭代

1. 初步检索: 从向量库获取 top-K 相关分块。
2. 生成回答: LLM 首次根据分块内容生成初步答案。
3. 反思评估 (Self-Reflection):
   • 评估回答是否被分块支持（忠实度）。
   • 评估回答是否真的解决了用户问题（有用性）。
4. 循环迭代: 如果评估分数低于阈值，系统根据反馈（Feedback）进行精炼或重新检索。

核心优化：DocStore 集成

通过集成 DocStore，Self-RAG 在精炼（Refinement）阶段具有显著优势：

• 召回全量父文档 (PDR)：如果由于分块过碎导致回答在反思阶段被判断为“不忠实”，系统可以通过 DocStore 获取分块所在的整篇 父文档 内容进行重写，从而确保回答的语义完整性。
• 上下文一致性验证：通过对比 DocStore 中的原始结构，确认生成的回复没有断章取义。

使用示例

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

retriever := selfrag.NewRetriever(
    vectorStore,
    embedder,
    evaluator,
    llm,
    selfrag.WithThreshold(0.8),
    selfrag.WithMaxRetries(3),
    selfrag.WithDocStore(docStore), // 启用 DocStore 增强
)