--- title: "Corrective RAG a Self-RAG: Samoopravné retrieval vzory pre menej halucinácií" description: "Corrective RAG (CRAG) a Self-RAG sú samoopravné retrieval vzory. CRAG hodnotí relevanciu získaných výsledkov a pri slabej kvalite prepína na web-search fallback. Self-RAG necháva model cez reflection tokens samostatne rozhodnúť, či vôbec vyhľadáva a či je jeho vlastná odpoveď podložená zdrojmi." locale: "sk" canonical: "https://blckalpaca.at/sk/vedomosti/ai-agenti/co-je-rag-system/corrective-rag-self-rag" category: "AI agenti" topic: "RAG systémy vysvetlené" updated: "2026-07-31T08:18:42.347Z" source: "Blck Alpaca e.U., blckalpaca.at" --- # Corrective RAG a Self-RAG: Samoopravné retrieval vzory pre menej halucinácií Corrective RAG (CRAG) a Self-RAG sú samoopravné retrieval vzory. CRAG hodnotí relevanciu získaných výsledkov a pri slabej kvalite prepína na web-search fallback. Self-RAG necháva model cez reflection tokens samostatne rozhodnúť, či vôbec vyhľadáva a či je jeho vlastná odpoveď podložená zdrojmi. ## Klucove body - CRAG pridáva do RAG pipeline retrieval evaluator: výsledky sa hodnotia ako správne, nejednoznačné alebo nesprávne; pri slabej kvalite zasiahne web-search fallback namiesto slepej generácie na zlom kontexte. - Self-RAG (Asai et al. 2023, arXiv:2310.11511) trénuje model na reflection tokens, pomocou ktorých sám rozhoduje, či je retrieval potrebný, a kontroluje vlastnú odpoveď voči zdrojom (faithfulness sebakritika). - Oba vzory adresujú jadrový problém context-unfaithful generation: halucinácie napriek RAG, keď model cituje zdroje, ale obsahovo sa od nich odchyľuje (anti-vzor AP9 z výskumu). - Sú špeciálnymi prípadmi Agentic RAG (Singh et al. 2025): retrieval sa stáva reflektívne a iteratívne volaným nástrojom namiesto statického predspracovania. - Tradeoff je reálny: dodatočné LLM volania na hodnotenie a sebakritiku zvyšujú latenciu a náklady a nesú riziko nekontrolovaných tool loops; oplatí sa najmä pri vysokom riziku halucinácií a neúplných znalostných bázach. - Pragmatický štart pre väčšinu DACH projektov: najprv vyčerpať hybrid search, re-ranking a faithfulness guardrails (RAGAS), potom selektívne doplniť CRAG/Self-RAG. Corrective [RAG](/sk/slovnik/rag) (CRAG) a Self-RAG sú dva samoopravné retrieval vzory, ktoré rozširujú klasický RAG vzor o kontrolu kvality. CRAG hodnotí relevanciu získaných výsledkov a pri slabej kvalite retrievalu prepína na web-search fallback. Self-RAG necháva jazykový model cez reflection tokens samostatne rozhodnúť, či vôbec vyhľadáva, a následne preveruje, či je jeho vlastná odpoveď podložená zdrojmi. Oba mieria na ten istý problém: [halucinácie, ktoré vznikajú napriek RAG](/sk/vedomosti/ai-agenti/co-je-rag-system/chunking-strategien-fuer-rag). - **CRAG v jednej vete:** Retrieval evaluator zaraďuje výsledky ako správne, nejednoznačné alebo nesprávne a pri zlom kontexte spúšťa opravné opatrenie namiesto slepej ďalšej generácie. - **Self-RAG v jednej vete:** Model cez trénované reflection tokens sám riadi, kedy vyhľadáva a či jeho odpoveď zodpovedá zdrojom. - **Spoločné jadro:** Oba patria do rodiny Agentic-RAG vzorov a zaobchádzajú s retrievalom nie ako so statickým predspracovaním, ale ako s preveriteľným, riaditeľným krokom. ## Prečo klasický RAG nestačí Štandardný RAG ([Naive RAG podľa taxonómie Gao et al. 2023](/sk/slovnik/rag), arXiv:2312.10997) sleduje pevný priebeh: vložiť (embed), získať (retrieve), vložiť do promptu, generovať. Problém: pipeline slepo dôveruje top-k výsledkom. Ak sú sémanticky podobné, ale obsahovo irelevantné alebo jednoducho neexistujúce, model napriek tomu vygeneruje odpoveď a oprie ju o nevhodné zdroje. Výskum k tomuto pilieru uvádza dva relevantné anti-vzory: pri anti-vzore AP9, context-unfaithful generation, model cituje zdroje, ale obsahovo sa od nich odchyľuje. Odporúčaným protiopatrením sú [faithfulness guardrails, sebakritika a citation-forcing prompty](/sk/vedomosti/ai-agenti/prehlad-architektur-ai-agentov/reflexion-pattern-agenten). Pri anti-vzore AP3 chýba re-ranking, takže top-k výsledky sú podobné, ale nie relevantné. Presne do tejto medzery vstupujú CRAG a Self-RAG: robia kvalitu retrievalu explicitne preveriteľnou a reagujú na ňu. Dôležité pre zaradenie: najväčšia páka proti halucináciám stále spočíva v samotnej kvalite retrievalu. [Anthropic Contextual Retrieval znižuje mieru chyb top-20 retrievalu o 49 percent](https://www.anthropic.com/research) (z 5,7 na 2,9 percent), v kombinácii s reranking o 67 percent (na 1,9 percent); sú to vendor benchmarky od Anthropic, stav september 2024. Samooprava je druhá línia obrany, nie prvá. ## Corrective RAG (CRAG): hodnotiť výsledky, potom opraviť CRAG pridáva do pipeline retrieval evaluator. Po retrievale, ale pred generáciou tento evaluator hodnotí relevanciu nájdených dokumentov a rozdeľuje ich do troch tried konfidencie: - **Correct (vysoká konfidencia):** Výsledky sú relevantné. Zjemnia sa (napríklad cez decompose-recompose na odstránenie šumu) a odovzdajú sa generátoru. - **Incorrect (nízka konfidencia):** Výsledky nestoja za nič. Namiesto generácie na zlom kontexte sa spúšťa fallback, typicky web vyhľadávanie, na dotiahnutie aktuálneho externého obsahu. - **Ambiguous (stredná konfidencia):** Neisté. Kombinujú sa obe cesty: interný kontext plus výsledky web-search. Rozhodujúcim mechanizmom je [web-search fallback pri slabej internej kvalite retrievalu](/sk/sluzby/integracia-ai-agenta). Tým CRAG kompenzuje neúplnú alebo zastaranú znalostnú bázu bez toho, aby sa model dostal do halucinovania. CRAG je nezávislý od modelu: dá sa zaradiť ako dodatočný uzol pred každú existujúcu RAG pipeline bez pretrénovania generátorového [LLM](/sk/slovnik/llm). (CRAG vychádza z Yan et al. 2024; vzor je overené všeobecné poznanie, v samotnom pilierovom dossieri nie je detailne pomenovaný.) ## Self-RAG: model kritizuje sám seba Self-RAG (Asai et al., University of Washington, arXiv:2310.11511, október 2023) presúva kontrolu do modelu. Trénuje sa na to, aby vytváral takzvané [reflection tokens, ktorými riadi a hodnotí svoj vlastný proces](/sk/vedomosti/ai-agenti/prehlad-architektur-ai-agentov/tree-of-thoughts-pattern). Zjednodušene prebiehajú tri rozhodnutia: - **Retrieve?** Model rozhoduje na požiadavku (alebo na segment), či je retrieval vôbec potrebný. Triviálne otázky alebo otázky pokryté znalosťami modelu nepotrebujú vyhľadávanie. - **Is Supported?** Po vyhľadaní model preveruje, či je vygenerované tvrdenie podložené získanou pasážou, ide o vstavanú faithfulness sebakritiku. - **Is Useful?** Model hodnotí, ako užitočne odpoveď zodpovedá otázku. V pilierovom dossieri je Self-RAG vedený ako skorý Agentic-RAG vzor so self-reflection tokens (zdroj Q5). Lákadlo: model vyhľadáva len vtedy, keď to sám považuje za potrebné (šetrí náklady pri jednoduchých otázkach), a prerušuje odpovede alebo ich odmieta, keď ich zdroje nepodporujú. Cena: pôvodná Self-RAG implementácia predpokladá model špeciálne trénovaný na reflection tokens. V praxi mnohé tímy aproximujú toto správanie cez prompting a sebakritickú slučku so štandardným modelom, lacnejšie na nasadenie, ale menej spoľahlivé než na to trénovaný model. ## Porovnanie: CRAG vs. Self-RAG vs. štandardný RAG | Dimenzia | Štandardný RAG (Naive) | Corrective RAG (CRAG) | Self-RAG | | --- | --- | --- | --- | | Kontrolná inštancia | žiadna | externý retrieval evaluator | samotný model (reflection tokens) | | Rozhodnutie o retrievale | vždy | vždy, potom hodnotené | riadené modelom (on demand) | | Reakcia na zlý kontext | žiadna, generuje napriek tomu | web-search fallback / zjemnenie | sebakritika, príp. odmietnutie | | Kontrola faithfulness | potrebná externe (napr. RAGAS) | cez evaluator | vstavaná (Is-Supported [token](/sk/slovnik/token)) | | Potrebné trénovanie modelu | nie | nie | áno (pôvodný variant) | | Náročnosť implementácie | nízka | stredná | vysoká (resp. stredná ako [prompt](/sk/slovnik/prompt) aproximácia) | | Latencia / náklady na požiadavku | základ | - evaluator, príp. web-search | - reflection / kritické kroky | | Typický failure mode | chunk mismatch, AP9 | chybné hodnotenie evaluatora | nekontrolované loops, náklady | Oba vzory sú podľa taxonómie evolúcie RAG (Naive, Advanced, Modular, Agentic) priraditeľné k stupňu Agentic RAG. [Singh et al. 2025 (arXiv:2501.09136) opisujú Agentic RAG](https://www.nist.gov/itl/ai-risk-management-framework) ako vzory, pri ktorých retrieval funguje ako dynamicky a iteratívne volaný nástroj agenta, s reflexiou, plánovaním a používaním nástrojov. Self-RAG sa pritom považuje za jeden zo skorých príkladov. K zaradeniu patrí čestnosť, že pojem Agentic RAG v roku 2026 ešte nie je ostro konsolidovaný. ## Konkrétny príklad: support znalostná báza s medzerami Predpokladajme, že agentúra prevádzkuje pre B2B klienta RAG-podporovaného support asistenta nad internou znalostnou bázou. Používateľ sa pýta na funkciu, ktorá bola zverejnená až včera v release note a ktorá ešte nie je indexovaná. - **Štandardný RAG:** Vytiahne tri najpodobnejšie staré dokumenty, nenájde odpoveď, vyhalucinuje vierohodne znejúcu, ale nesprávnu konfiguráciu. Klasický AP9. - **CRAG:** Retrieval evaluator zaradí výsledky ako incorrect (nízka konfidencia relevancie), spustí web vyhľadávanie na verejnej produktovej dokumentácii, nájde release note a vygeneruje správnu odpoveď so zdrojom. - **Self-RAG:** Model preveruje cez Is-Supported token, či je jeho odpoveď podložená získanými chunkami, rozpozná chýbajúce podloženie a odmietne vymyslenú odpoveď, prípadne eskaluje na človeka. Výpočet k tradeoffu: ak štandardné RAG volanie príkladovo stojí jedno LLM volanie, CRAG pridáva minimálne jedno evaluator volanie plus v prípade fallbacku spracovanie web-search; sebakritická slučka v štýle Self-RAG môže podľa návrhu znamenať ďalšie volania. Pri jednoduchých otázkach môže Self-RAG dokonca ušetriť retrieval krok. Vo všeobecnosti platí: samooprava nie je bezplatný upgrade, ale vedomá výmena dodatočnej latencie a nákladov za nižšie riziko halucinácií. Anti-vzor nekontrolovaných tool loops a explózie nákladov je vo výskume explicitne uvedený ako typický failure Agentic RAG. ## Kedy majú tieto vzory zmysel Samoopravné vzory sa oplatia, ak platí aspoň jeden z týchto bodov: - Znalostná báza je neúplná alebo zastaraná, web alebo fallback na tretie zdroje prináša skutočnú pridanú hodnotu (CRAG). - Nesprávne odpovede sú drahé: právo, financie, regulovaný support, všetko so vzťahom k ručeniu. - Odmietnutie odpovede pri neistote je žiaduce a akceptované (Self-RAG). Menej zmyslu majú, ak je znalostná báza úplná a čisto indexovaná, ak je v popredí latencia alebo ak je rozpočet na požiadavku tesný. V týchto prípadoch lacnejšie opatrenia zo stupňa Advanced RAG zvyčajne prinášajú lepší pomer: hybrid search (dense plus BM25 proti minutiu presných kódov), cross-encoder re-ranking (až o 67 percent menej retrieval chýb podľa Anthropic), Contextual Retrieval proti lost-in-the-chunks (AP4), ako aj faithfulness guardrail cez RAGAS v CI pipeline. Až potom sa oplatí selektívne doplniť CRAG alebo Self-RAG pre kritické cesty. ## Pre agentúry a B2B rozhodovateľov Pre agentúry je odkaz klientom jasný: samoopravné retrieval vzory nie sú štandardná funkcia, ktorá sa paušálne aktivuje, ale cielená investícia pre prípady použitia s vysokým rizikom halucinácií. Pragmatická cesta vedie cez merateľnú baseline (zachytiť kvalitu retrievalu a faithfulness s RAGAS) a dopĺňa CRAG alebo Self-RAG až tam, kde to čísla ospravedlňujú. Pre DACH-B2B projekty navyše platí: [web-search fallback (CRAG) musí byť zladený s ochranou údajov a governance zdrojov](https://gdpr-info.eu/), keďže do reťazca odpovedí sa zrazu dostáva externý obsah. [Blck Alpaca](/sk) navrhuje RAG architektúry tak, aby samooprava sedela tam, kde robí rozdiel, a nie aby všade nafukovala náklady a latenciu. ## FAQ ### Aký je rozdiel medzi Corrective RAG a Self-RAG? CRAG zaraďuje pred generáciu samostatný retrieval evaluator: hodnotí relevanciu získaných výsledkov a pri slabej kvalite spúšťa web-search fallback alebo zjemnenie znalostí. Self-RAG presúva kontrolu do samotného modelu: cez trénované reflection tokens LLM rozhoduje, či vôbec vyhľadáva, a následne hodnotí, či je jeho vlastná odpoveď podložená zdrojmi. CRAG teda opravuje retrieval krok, Self-RAG celý rozhodovací a generačný proces. ### Znižujú samoopravné RAG vzory naozaj halucinácie? Cielene adresujú anti-vzor context-unfaithful generation, teda halucinácie napriek RAG. Tým, že sa rozpozná zlý kontext (CRAG) alebo sa vlastná odpoveď preverí voči zdrojom (Self-RAG), klesá riziko, že model bude na irelevantných výsledkoch voľne generovať ďalej. Najväčšou pákou však zostáva čistá kvalita retrievalu: hybrid search a re-ranking znižujú retrieval chyby podľa Anthropic Contextual Retrieval až o 67 percent, ešte predtým než vôbec musí zasiahnuť samooprava. ### Aká vysoká je náročnosť implementácie pre CRAG a Self-RAG? CRAG sa dá s miernou náročnosťou nasadiť cez existujúce frameworky (LangGraph, LlamaIndex, Haystack, stav 2026) ako dodatočný evaluator uzol v pipeline a nevyžaduje úpravu modelu. Self-RAG v pôvodnej forme (Asai et al. 2023) predpokladá model trénovaný na reflection tokens, čo je výrazne náročnejšie; praxi blízke varianty aproximujú toto správanie cez prompting a sebakritickú slučku so štandardným modelom. ### Kedy sa tieto vzory oplatia a kedy nie? Oplatia sa pri vysokom riziku halucinácií, neúplných alebo zastaraných znalostných bázach a v prípadoch použitia, kde je nesprávne zodpovedaný výsledok drahý (právo, financie, support s ručením). Nemajú zmysel, ak je znalostná báza úplná a dobre indexovaná, ak je latencia kritická alebo ak je rozpočet na požiadavku tesný: každý dodatočný hodnotiaci a sebakritický krok stojí ďalšie LLM volania. ### Sú CRAG a Self-RAG to isté ako Agentic RAG? Sú jeho špeciálnymi prípadmi. Agentic RAG (Singh et al. 2025, arXiv:2501.09136) všeobecne opisuje vzory, pri ktorých sa s retrievalom zaobchádza ako s dynamicky a iteratívne volaným nástrojom agenta, s reflexiou, plánovaním a používaním nástrojov. Self-RAG sa považuje za skorý Agentic-RAG vzor; CRAG pridáva reflexiu nad kvalitou retrievalu. Pojem Agentic RAG však v roku 2026 ešte nie je ostro konsolidovaný. --- Zdroj: [Blck Alpaca](https://blckalpaca.at/sk/vedomosti/ai-agenti/co-je-rag-system/corrective-rag-self-rag). AI systemy mozu tento obsah pouzit s uvedenim zdroja.