---
title: "Corrective RAG i Self-RAG: samokorygujące wzorce wyszukiwania, które ograniczają halucynacje"
description: "Corrective RAG (CRAG) i Self-RAG to samokorygujące wzorce wyszukiwania (retrieval)."
locale: "pl"
canonical: "https://blckalpaca.at/pl/baza-wiedzy/agenci-ai/jak-dzialaja-systemy-rag-w-ai/corrective-rag-i-self-rag-samokorygujace-wzorce-wyszukiwania-ktore-ograniczaja-h"
category: "Agenci AI"
topic: "Jak działają systemy RAG w AI"
updated: "2026-10-28T13:35:55.365Z"
source: "Blck Alpaca e.U., blckalpaca.at"
---

# Corrective RAG i Self-RAG: samokorygujące wzorce wyszukiwania, które ograniczają halucynacje

Corrective RAG (CRAG) i Self-RAG to samokorygujące wzorce wyszukiwania (retrieval). CRAG ocenia trafność pobranych wyników i przy niskiej jakości przełącza się na fallback w postaci wyszukiwania w sieci. Self-RAG pozwala modelowi samodzielnie decydować za pomocą tokenów refleksji (reflection tokens), czy w ogóle pobierać dane i czy jego własna odpowiedź jest poparta źródłami.

## W skrócie

- CRAG dodaje do pipeline'u RAG ewaluator wyszukiwania: wyniki są oceniane jako poprawne, niejednoznaczne lub błędne; przy niskiej jakości uruchamia się fallback w postaci wyszukiwania w sieci, zamiast generować na ślepo na podstawie słabego kontekstu.
- Self-RAG (Asai et al. 2023, arXiv:2310.11511) trenuje model na tokenach refleksji, dzięki którym sam decyduje, czy wyszukiwanie jest potrzebne, i weryfikuje własną odpowiedź względem źródeł (samokrytyka wierności, czyli faithfulness).
- Oba wzorce odpowiadają na kluczowy problem context-unfaithful generation: halucynacje mimo RAG, gdy model cytuje źródła, ale merytorycznie od nich odbiega.
- Należą do etapu Agentic RAG: wyszukiwanie staje się narzędziem wywoływanym refleksyjnie i iteracyjnie, a nie statycznym przetwarzaniem wstępnym. Singh et al. 2025 opisują CRAG jako odrębną architekturę Agentic RAG, a Self-RAG pasuje tu jako wczesny przykład.
- Kompromis jest realny: dodatkowe wywołania LLM do oceny i samokrytyki zwiększają opóźnienia i koszty oraz niosą ryzyko niekontrolowanych pętli narzędzi; opłaca się to przede wszystkim przy wysokim ryzyku halucynacji i niekompletnych bazach wiedzy.
- Pragmatyczny punkt wyjścia dla większości projektów w Europie: najpierw w pełni wykorzystać wyszukiwanie hybrydowe, re-ranking i guardraile wierności (RAGAS), a dopiero potem selektywnie dodać CRAG/Self-RAG.

Corrective [RAG](https://blckalpaca.at/pl/slownik/rag) (CRAG) i Self-RAG to dwa samokorygujące wzorce wyszukiwania, które rozszerzają klasyczny schemat RAG o kontrolę jakości. CRAG ocenia trafność pobranych wyników i przy niskiej jakości wyszukiwania przełącza się na fallback w postaci wyszukiwania w sieci. Self-RAG pozwala modelowi językowemu samodzielnie decydować za pomocą tokenów refleksji, czy w ogóle pobierać dane, a następnie sprawdza, czy jego własna odpowiedź jest poparta źródłami. Oba celują w ten sam problem: [halucynacje](https://blckalpaca.at/pl/slownik/halucynacja-ai-ai-hallucination), które powstają mimo RAG.

- **CRAG w jednym zdaniu:** ewaluator wyszukiwania klasyfikuje wyniki jako poprawne, niejednoznaczne lub błędne i przy słabym kontekście uruchamia działanie korygujące, zamiast na ślepo generować dalej.
- **Self-RAG w jednym zdaniu:** model za pomocą wytrenowanych tokenów refleksji sam steruje tym, kiedy pobiera dane i czy jego odpowiedź zgadza się ze źródłami.
- **Wspólny rdzeń:** oba należą do rodziny wzorców Agentic RAG i traktują wyszukiwanie nie jako statyczne przetwarzanie wstępne, lecz jako weryfikowalny i sterowalny krok.

## Dlaczego klasyczny RAG nie wystarcza

Standardowy RAG (Naive RAG według taksonomii Gao et al. 2023, arXiv:2312.10997) przebiega według stałego schematu: wektoryzacja, wyszukiwanie, wstawienie do promptu, generowanie. Problem polega na tym, że pipeline ślepo ufa wynikom top-k. Jeśli są semantycznie podobne, ale merytorycznie nieistotne, albo odpowiednich treści po prostu nie ma, model i tak generuje odpowiedź i opiera ją na nieprzydatnych źródłach.

Typowe są dwa rodzaje błędów. Przy context-unfaithful generation model cytuje źródła, ale merytorycznie od nich odbiega. Zwykle stosowane środki zaradcze to [guardraile wierności](https://blckalpaca.at/pl/baza-wiedzy/agenci-ai/jak-dzialaja-systemy-rag-w-ai/ewaluacja-rag-porownanie-ragas-trulens-i-deepeval), samokrytyka i prompty wymuszające cytowanie (citation forcing). Drugi rodzaj błędu pojawia się bez re-rankingu: wyniki top-k są wtedy często podobne, ale nieistotne. Właśnie tę lukę wypełniają CRAG i Self-RAG: sprawiają, że jakość wyszukiwania staje się jawnie weryfikowalna, i odpowiednio na nią reagują.

Ważne dla właściwej oceny: największa dźwignia w walce z halucynacjami nadal tkwi w samej jakości wyszukiwania. [Anthropic Contextual Retrieval](https://www.anthropic.com/engineering/contextual-retrieval) obniża odsetek błędów wyszukiwania top-20 o 49 procent (z 5,7 do 2,9 procent), a w połączeniu z [re-rankingiem](https://blckalpaca.at/pl/baza-wiedzy/agenci-ai/jak-dzialaja-systemy-rag-w-ai/reranking-w-rag-cross-encoder-vs-bi-encoder) o 67 procent (do 1,9 procent); to benchmarki samego dostawcy, czyli Anthropic, według stanu z września 2024 r. Samokorekta jest drugą linią obrony, nie pierwszą.

## Corrective RAG (CRAG): ocenić wyniki, potem skorygować

CRAG dodaje do pipeline'u ewaluator wyszukiwania. Po wyszukiwaniu, ale przed generowaniem, ewaluator ocenia trafność znalezionych dokumentów i przypisuje je do trzech klas pewności:

- **Correct (wysoka pewność):** wyniki są trafne. Zostają dopracowane (np. metodą decompose-recompose, aby usunąć szum) i przekazane do generatora.
- **Incorrect (niska pewność):** wyniki się nie nadają. Zamiast generować na podstawie słabego kontekstu, system uruchamia fallback, zwykle wyszukiwanie w sieci, aby pobrać aktualne treści zewnętrzne.
- **Ambiguous (średnia pewność):** sytuacja niepewna. Obie ścieżki zostają połączone: kontekst wewnętrzny plus wyniki wyszukiwania w sieci.

Kluczowym mechanizmem jest fallback w postaci wyszukiwania w sieci przy niskiej jakości wyszukiwania wewnętrznego. Dzięki temu CRAG kompensuje niekompletną lub nieaktualną bazę wiedzy, nie dopuszczając do halucynacji modelu. CRAG jest niezależny od modelu: można go wstawić jako dodatkowy węzeł przed dowolnym istniejącym pipeline'em RAG bez ponownego trenowania generującego [LLM](https://blckalpaca.at/pl/slownik/llm). CRAG wywodzi się z pracy Yan et al. 2024 (arXiv:2401.15884).

## Self-RAG: model krytykuje sam siebie

Self-RAG (Asai et al., University of Washington, arXiv:2310.11511, październik 2023) przenosi kontrolę do modelu. Jest on trenowany tak, aby generował tzw. tokeny refleksji, za pomocą których steruje własnym procesem i go ocenia. W uproszczeniu zapadają cztery decyzje:

- **Retrieve?** Model decyduje dla każdego zapytania (lub każdego segmentu), czy wyszukiwanie jest w ogóle potrzebne. Pytania trywialne lub objęte wiedzą modelu nie wymagają pobierania danych.
- **Is Relevant?** Model ocenia, czy pobrany fragment jest istotny dla pytania.
- **Is Supported?** Po pobraniu model sprawdza, czy wygenerowane stwierdzenie jest poparte pobranym fragmentem: to wbudowana samokrytyka wierności.
- **Is Useful?** Model ocenia w skali od 1 do 5, na ile odpowiedź jest przydatna dla pytania.

Zaleta: model pobiera dane tylko wtedy, gdy sam uzna to za konieczne (co obniża koszty przy prostych pytaniach). Podczas generowania Self-RAG tworzy kilka segmentów-kandydatów, ocenia je za pomocą ważonego wyniku z tokenów krytyki (trafność, poparcie w źródłach, przydatność) i zachowuje najwyżej oceniony ([Asai et al. 2023](https://arxiv.org/abs/2310.11511)). Odmowa odpowiedzi lub eskalacja do człowieka nie są częścią metody, ale można je zbudować na tych tokenach. Cena: oryginalna implementacja Self-RAG wymaga modelu specjalnie wytrenowanego na tokenach refleksji. W praktyce wiele zespołów przybliża to zachowanie za pomocą promptowania i pętli samokrytyki ze standardowym modelem, co jest tańsze we wdrożeniu, ale mniej niezawodne niż model wytrenowany do tego celu.

## Porównanie: CRAG vs Self-RAG vs standardowy RAG

| Kryterium | Standardowy RAG (Naive) | Corrective RAG (CRAG) | Self-RAG |
| --- | --- | --- | --- |
| Instancja kontrolna | brak | zewnętrzny ewaluator wyszukiwania | sam model (tokeny refleksji) |
| Decyzja o wyszukiwaniu | zawsze | zawsze, potem ocena | sterowana przez model (na żądanie) |
| Reakcja na słaby kontekst | brak, mimo to generuje | fallback do wyszukiwania w sieci / rafinacja | tokeny krytyki oceniają kandydatów, wygrywa najwyżej oceniony segment |
| Weryfikacja wierności | wymaga zewnętrznego narzędzia (np. RAGAS) | tylko pośrednio (ewaluator sprawdza wyniki, nie odpowiedź) | wbudowana ([token](https://blckalpaca.at/pl/slownik/token) Is Supported) |
| Wymaga trenowania modelu | nie | nie | tak (wariant oryginalny) |
| Nakład wdrożenia | niski | średni | wysoki (lub średni przy aproksymacji promptem) |
| Opóźnienie / koszt na zapytanie | poziom bazowy | poziom bazowy plus wywołanie ewaluatora, ewentualnie wyszukiwanie w sieci | poziom bazowy plus kroki refleksji/krytyki |
| Typowy tryb awarii | niedopasowanie chunków, context-unfaithful generation | błędna ocena ewaluatora | niekontrolowane pętle, koszty |

Zgodnie z taksonomią ewolucji RAG (Naive, Advanced, Modular, Graph, Agentic) oba wzorce należy przypisać do [etapu Agentic RAG](https://blckalpaca.at/pl/baza-wiedzy/agenci-ai/jak-dzialaja-systemy-rag-w-ai/agentic-rag-vs-klasyczny-rag-czym-sie-roznia). Singh et al. 2025 (arXiv:2501.09136) opisują Agentic RAG jako wzorce, w których wyszukiwanie pełni funkcję narzędzia, które [agent](https://blckalpaca.at/pl/slownik/agent) wywołuje dynamicznie i iteracyjnie, z refleksją, planowaniem i korzystaniem z narzędzi. Self-RAG nie pojawia się w tym przeglądzie, ale pasuje jako wczesny przykład, bo to sam model decyduje o pobieraniu danych. Corrective RAG Singh et al. opisują jako odrębną architekturę (Agentic Corrective RAG). Uczciwie trzeba dodać, że w 2026 roku pojęcie Agentic RAG nie jest jeszcze jednoznacznie ugruntowane.

## Konkretny przykład: baza wiedzy obsługi klienta z lukami

Załóżmy, że agencja prowadzi dla klienta B2B asystenta obsługi klienta opartego na RAG, który korzysta z wewnętrznej bazy wiedzy. Użytkownik pyta o funkcję, którą opisano dopiero wczoraj w notatce o wydaniu, jeszcze niezaindeksowanej.

- **Standardowy RAG:** pobiera trzy najbardziej podobne starsze dokumenty, nie znajduje odpowiedzi i halucynuje wiarygodnie brzmiącą, ale błędną konfigurację. Klasyczna halucynacja mimo RAG.
- **CRAG:** ewaluator wyszukiwania klasyfikuje wyniki jako incorrect (niska pewność co do trafności), uruchamia wyszukiwanie w sieci w publicznej dokumentacji produktu, znajduje notatkę o wydaniu i generuje poprawną odpowiedź ze źródłem.
- **Self-RAG:** model za pomocą tokenu Is Relevant klasyfikuje pobrane chunki jako nieistotne i za pomocą tokenu Is Supported rozpoznaje, że żadna odpowiedź nie jest przez nie poparta. Zbudowana na tej podstawie reguła aplikacji blokuje wtedy niepopartą odpowiedź i eskaluje sprawę do człowieka.

Rachunek dotyczący kompromisu: jeśli standardowe wywołanie RAG kosztuje na przykład jedno wywołanie LLM, CRAG dodaje co najmniej jedno wywołanie ewaluatora, a w przypadku fallbacku także przetwarzanie wyników wyszukiwania w sieci; pętla samokrytyki w stylu Self-RAG może, zależnie od projektu, oznaczać kolejne wywołania. Przy prostych pytaniach Self-RAG może nawet pominąć krok wyszukiwania. Ogólna zasada: samokorekta nie jest darmowym ulepszeniem, lecz świadomą wymianą dodatkowych opóźnień i kosztów na mniejsze ryzyko halucynacji. W agentowych systemach RAG dochodzi typowe ryzyko: niekontrolowane pętle narzędzi, które wielokrotnie zwiększają koszt zapytania.

## Kiedy te wzorce mają sens

Samokorygujące wzorce opłacają się, gdy spełniony jest co najmniej jeden z tych warunków:

- Baza wiedzy jest niekompletna lub nieaktualna, a fallback do sieci lub źródeł zewnętrznych wypełnia rzeczywiste luki (CRAG).
- Błędne odpowiedzi są kosztowne: prawo, finanse, regulowana obsługa klienta, wszystko, co wiąże się z odpowiedzialnością prawną.
- Odmowa odpowiedzi w razie niepewności jest pożądana i akceptowana (Self-RAG dostarcza do tego tokeny krytyki).

Mają mniejszy sens, gdy baza wiedzy jest kompletna i porządnie zaindeksowana, liczy się przede wszystkim opóźnienie albo budżet na zapytanie jest napięty. W takich przypadkach tańsze środki z etapu Advanced RAG zwykle dają lepszy stosunek kosztów do efektów: wyszukiwanie hybrydowe (dense plus BM25, aby nie pomijać dokładnych kodów), Contextual Retrieval przeciw chunkom pozbawionym otaczającego kontekstu, re-ranking z cross-encoderem oraz guardrail wierności oparty na RAGAS w ramach pipeline'u CI. Według [Anthropic](https://www.anthropic.com/engineering/contextual-retrieval), Contextual Retrieval (kontekstualizowane embeddingi plus BM25 na kontekstualizowanych chunkach) w połączeniu z re-rankingiem obniża odsetek błędów wyszukiwania nawet o 67 procent. Dopiero potem warto selektywnie dodać CRAG lub Self-RAG dla krytycznych ścieżek.

## Dla agencji i decydentów B2B

Przekaz agencji do klientów jest jasny: samokorygujące wzorce wyszukiwania nie są standardową funkcją, którą włącza się z automatu, lecz celową inwestycją w zastosowania o wysokim ryzyku halucynacji. Pragmatyczna droga prowadzi przez mierzalną linię bazową (pomiar jakości wyszukiwania i wierności za pomocą RAGAS), a CRAG lub Self-RAG dodaje się dopiero tam, gdzie uzasadniają to liczby. W projektach B2B w Europie trzeba dodatkowo pamiętać, że fallback do wyszukiwania w sieci (CRAG) musi być uzgodniony z zasadami ochrony danych i zarządzania źródłami, ponieważ do łańcucha odpowiedzi nagle trafiają treści zewnętrzne. Blck Alpaca projektuje [architektury RAG](https://blckalpaca.at/pl/uslugi/agenci-ai) tak, aby samokorekta działała tam, gdzie robi różnicę, i nie zawyżała wszędzie kosztów i opóźnień.

## Najczęściej zadawane pytania

### Czym różni się Corrective RAG od Self-RAG?

CRAG umieszcza przed generowaniem osobny ewaluator wyszukiwania: ocenia on trafność pobranych wyników, a przy niskiej jakości uruchamia fallback w postaci wyszukiwania w sieci lub rafinację wiedzy. Self-RAG przenosi kontrolę do samego modelu: dzięki wytrenowanym tokenom refleksji LLM decyduje, czy w ogóle pobiera dane, a następnie ocenia, czy jego własna odpowiedź jest poparta źródłami. CRAG koryguje więc etap wyszukiwania, a Self-RAG cały proces decyzyjny i generowania.
### Czy samokorygujące wzorce RAG naprawdę ograniczają halucynacje?

Celują wprost w typ błędu określany jako context-unfaithful generation, czyli halucynacje mimo RAG. Dzięki temu, że słaby kontekst zostaje wykryty (CRAG) albo własna odpowiedź jest sprawdzana względem źródeł (Self-RAG), maleje ryzyko, że model będzie swobodnie generował dalej na podstawie nieistotnych wyników. Największą dźwignią pozostaje jednak dobra jakość wyszukiwania: według Anthropic, Contextual Retrieval (kontekstualizowane embeddingi plus BM25 na kontekstualizowanych chunkach) w połączeniu z re-rankingiem obniża odsetek błędów wyszukiwania nawet o 67 procent, zanim samokorekta w ogóle musi zadziałać.
### Ile pracy wymaga wdrożenie CRAG i Self-RAG?

CRAG można wdrożyć umiarkowanym nakładem pracy za pomocą istniejących frameworków (LangGraph, LlamaIndex, Haystack, stan na 2026 r.) jako dodatkowy węzeł ewaluatora w ramach pipeline'u, bez modyfikowania modelu. Self-RAG w oryginalnej postaci (Asai et al. 2023) wymaga modelu wytrenowanego na tokenach refleksji, co jest znacznie bardziej pracochłonne; praktyczne warianty przybliżają to zachowanie za pomocą promptowania i pętli samokrytyki ze standardowym modelem.
### Kiedy te wzorce się opłacają, a kiedy nie?

Opłacają się przy wysokim ryzyku halucynacji, niekompletnych lub nieaktualnych bazach wiedzy oraz w zastosowaniach, w których błędna odpowiedź jest kosztowna (prawo, finanse, obsługa klienta z odpowiedzialnością prawną). Nie mają sensu, gdy baza wiedzy jest kompletna i dobrze zaindeksowana, opóźnienie ma kluczowe znaczenie albo budżet na zapytanie jest ograniczony: każdy dodatkowy krok oceny i samokrytyki to kolejne wywołania LLM.
### Czy CRAG i Self-RAG to to samo co Agentic RAG?

Nie, Agentic RAG to pojęcie szersze. Agentic RAG (Singh et al. 2025, arXiv:2501.09136) ogólnie opisuje wzorce, w których wyszukiwanie jest traktowane jako narzędzie, które agent wywołuje dynamicznie i iteracyjnie, z refleksją, planowaniem i korzystaniem z narzędzi. Singh et al. opisują CRAG jako odrębną architekturę (Agentic Corrective RAG). Self-RAG nie omawiają, ale pasuje on jako wczesny przykład, bo to sam model decyduje o pobieraniu danych. Pojęcie Agentic RAG nie jest jednak w 2026 roku jeszcze jednoznacznie ugruntowane.

---

Źródło: [Blck Alpaca](https://blckalpaca.at/pl/baza-wiedzy/agenci-ai/jak-dzialaja-systemy-rag-w-ai/corrective-rag-i-self-rag-samokorygujace-wzorce-wyszukiwania-ktore-ograniczaja-h). Systemy AI mogą wykorzystywać te treści z podaniem źródła.