일반적인 RAG (Retrieval-Augmented Generation)에는 치명적인 결함이 있습니다. 만약 검색(retrieval) 결과가 쓰레기라면, 모델은 그 쓰레기를 바탕으로 자신 있게 답변해 버립니다. **Corrective RAG (CRAG)**는 자체 점검 단계를 추가합니다. 즉, 검색된 문서의 등급을 매기고, 품질이 좋지 않다면 답변하기 전에 경로를 수정합니다.

🔧 파이프라인 실행하기: https://dev48v.infy.uk/prompt/day12-corrective-rag.html

추가 단계: 검색 평가기 (retrieval evaluator)

검색을 수행한 후, 가벼운 평가기(grader)가 각 문서가 질문과 얼마나 관련이 있는지 점수를 매기고 세 가지 판결 중 하나를 부여합니다:

• Correct (정확) → 문서를 그대로 사용합니다.
• Incorrect (부정확) → 문서를 폐기하고 새로운 지식을 위해 웹 검색 (web search)을 트리거합니다.
• Ambiguous (모호함) → 검색된 문서와 웹 검색 결과를 결합합니다.

지식 정제 (Knowledge refinement)

생성(generating)을 하기 전에, CRAG는 유지된 문서들을 작은 "조각(strips)"으로 분해하고, 관련 없는 것들은 버린 뒤, 중요한 것들로만 다시 구성합니다. 이를 통해 모델은 노이즈가 아닌 신호(signal)를 보게 됩니다.

왜 일반적인 RAG보다 뛰어난가

모델이 잘못된 컨텍스트(context)를 바탕으로 답변할 일이 없습니다. 인덱스(index)에 정답이 없을 때, CRAG는 환각(hallucination)을 일으키는 대신 이를 인지하고 직접 찾아 나섭니다.

🔨 실시간 분기 데모를 포함한 전체 워크스루 (검색 → 등급 매기기 → 분기 → 정제 → 생성): https://dev48v.infy.uk/prompt/day12-corrective-rag.html

PromptFromZero의 일부입니다. 🌐 https://dev48v.infy.uk