검색 증강 생성(Retrieval-Augmented Generation, RAG) 평가는 약한 검색, 부실한 근거 마련(grounding), 불완전한 답변, 지원되지 않는 생성과 같은 실패를 식별할 수 있지만, 개발자가 다음에 무엇을 복구해야 할지 결정하는 데 도움을 주는 경우는 드뭅니다. 우리는 평가된 RAG 사례를 감사 가능한 복구 워크플로우로 변환하는 인터랙티브 Streamlit 워크벤치인 RECTIFY를 소개합니다. RECTIFY는 복구가 필요하지 않은 사례를 필터링하고, 나머지 실패들을 실행 가능한 계열(actionable families)과 세분화된 복구 슬라이스(finegrained repair slices)로 라우팅하며, 개발자가 승인, 거부 또는 샌드박스 재실행을 통해 검증할 수 있는 편집 가능한 복구 카드를 생성합니다. 통제된 RAG 벤치마크에서 RECTIFY는 BM25, 밀집(dense), 하이브리드 검색 전반에 걸쳐 해석 가능한 실패 프로파일을 노출합니다: BM25는 주로 잡음성 검색(noisy-retrieval) 복구를 유발하는 반면, 밀집 및 하이브리드 검색은 더 작은 규모의 다중 부분 미검색(underretrieval) 및 미사용 증거(underused-evidence) 사례를 남깁니다. 추가 분석에 따르면 사전 필터링은 불필요한 복구 후보군을 줄이고, 슬라이스 레벨 라우팅이 광범위한 계열 수준 진단보다 더 목표 지향적인 복구 카드를 제공함을 보여줍니다. RECTIFY는 개발자가 평가 결과를 검사 가능한 복구 결정으로 전환하는 데 도움을 주는 오픈 소스 Streamlit 워크벤치로 공개되어 있습니다.