LangChain Corrective RAG：检索结果不好时，怎么补救-北京尧图网络

个人主页 for_ever_love__ 欢迎各位大佬莅临其他栏目: 大模型开发从0到1 其他栏目: iOS项目总结大全其他栏目: 我想学python了其他栏目: iOS UI 文章目录LangChain Corrective RAG检索结果不好时怎么补救一、核心思路二、第一步给文档打分三、第二步按分数分流3.1 路径 Agenerate直接用3.2 路径 Brefine精炼3.3 路径 Cfallback换检索源四、用 LangGraph 串起来五、成本评估六、效果验证七、什么时候用八、和相似方案的区别九、小结LangChain Corrective RAG检索结果不好时怎么补救检索回来的文档质量参差有的完全相关有的沾点边有的纯粹是噪声。直接全喂给模型噪声会干扰答案。Corrective RAGCRAG的思路是先给检索结果打个分按分数走不同的补救路径。一、核心思路检索 → 逐条打分相关 / 模糊 / 不相关 ↓ 按质量分流 ├─ 全是相关的 → 直接用 ├─ 有模糊的 → 精炼一下再用 └─ 全不相关 → 换检索源比如转网页搜索关键在分流——不同质量走不同处理而不是一刀切。对比一下普通 RAG 的做法# 普通 RAG不管质量全喂docsretriever.invoke(q)answerchain.invoke({context:format_docs(docs),question:q})问题在于如果 top-5 里有 3 条是噪声模型很可能被带偏。宁滥勿缺的召回策略必须有对应的质量控制环节。二、第一步给文档打分fromlangchain_core.promptsimportChatPromptTemplatefromlangchain_openaiimportChatOpenAIfromlangchain_core.output_parsersimportStrOutputParser GRADE_PROMPTChatPromptTemplate.from_template( 判断下面的文档片段能否回答用户的问题。只输出一个词 - relevant文档中包含能回答问题的信息 - ambiguous文档中有一部分相关信息但不足以完整回答 - irrelevant文档与问题无关不要解释只输出这三个词之一。【问题】 {question} 【文档片段】 {doc} )grade_chain(GRADE_PROMPT|ChatOpenAI(modelgpt-4o-mini,temperature0,max_tokens10)|StrOutputParser())defgrade_documents(question:str,docs:list)-dict:verdictsgrade_chain.batch([{question:question,doc:d.page_content}fordindocs],config{max_concurrency:5},)buckets{relevant:[],ambiguous:[],irrelevant:[]}fordoc,vinzip(docs,verdicts):keyv.strip().lower()buckets[keyifkeyinbucketselseambiguous].append(doc)returnbuckets用batch并发打分5 条文档大约 1 秒内完成。max_tokens10省成本。三、第二步按分数分流fromtypingimportLiteraldefdecide(buckets:dict)-Literal[generate,refine,fallback]:relevantbuckets[relevant]ambiguousbuckets[ambiguous]iflen(relevant)2:returngenerate# 有足够的相关文档直接生成ifrelevantorambiguous:returnrefine# 有点相关但不够精炼一下returnfallback# 全不相关换检索源3.1 路径 Agenerate直接用defgenerate(state):ctxformat_docs(state[relevant])ans(prompt|llm|StrOutputParser()).invoke({context:ctx,question:state[question]})return{answer:ans}3.2 路径 Brefine精炼模糊的文档通常很长只有一两句有用。抽出来丢掉其余部分。REFINE_PROMPTChatPromptTemplate.from_template( 从下面的文档片段中摘出与问题相关的原句。只摘录原文中出现的内容不要改写、不要推断、不要补充。如果片段中确实没有相关信息输出无。【问题】 {question} 【文档片段】 {doc} )refine_chainREFINE_PROMPT|llm|StrOutputParser()defrefine(state):docsstate[relevant]state[ambiguous]snippetsrefine_chain.batch([{question:state[question],doc:d.page_content}fordindocs],config{max_concurrency:5},)ctx\n\n.join(sforsinsnippetsifs.strip()ands.strip()!无)ifnotctx:return{answer:没有找到能够回答这个问题的信息。}ans(prompt|llm|StrOutputParser()).invoke({context:ctx,question:state[question]})return{answer:ans}这一步等价于前面讲过的上下文压缩但在 CRAG 里它是按质量触发的而不是每次都做——更省。3.3 路径 Cfallback换检索源知识库里没有不代表答案不存在。tooldefweb_search(query:str)-str:当知识库中没有答案时用互联网搜索补充。returnsearch_api(query)deffallback(state):# 1. 先改写查询可能是表述问题new_qrewrite_chain.invoke({question:state[question]})# 2. 换源再检索一次docsweb_retriever.invoke(new_q)ifhas_webelse[]ifnotdocs:return{answer:没有找到相关信息。}# 3. 对外部来源要更谨慎ans(strict_prompt|llm|StrOutputParser()).invoke({context:format_docs(docs),question:state[question]})return{answer:ans,source:web}⚠️fallback 到网页搜索要慎重外部内容的可靠性无法保证企业场景可能涉及数据合规。要么不开要么明确标注答案来自互联网仅供参考。四、用 LangGraph 串起来fromtypingimportTypedDict,Annotated,Literalfromlanggraph.graphimportStateGraph,START,ENDclassState(TypedDict):question:strdocuments:listrelevant:listambiguous:listanswer:strsource:strattempts:intdefretrieve(state:State):docsretriever.invoke(state[question])return{documents:docs,attempts:state.get(attempts,0)1}defgrade(state:State):bucketsgrade_documents(state[question],state[documents])return{relevant:buckets[relevant],ambiguous:buckets[ambiguous]}defroute(state:State)-Literal[generate,refine,fallback,give_up]:ifstate[attempts]2:# 已经重试过一次不再折腾returngenerateifstate[relevant]elsegive_upiflen(state[relevant])2:returngenerateifstate[relevant]orstate[ambiguous]:returnrefinereturnfallbackdefgive_up(state:State):return{answer:没有找到能够回答这个问题的信息。}graphStateGraph(State)graph.add_node(retrieve,retrieve)graph.add_node(grade,grade)graph.add_node(generate,generate)graph.add_node(refine,refine)graph.add_node(fallback,fallback)graph.add_node(give_up,give_up)graph.add_edge(START,retrieve)graph.add_edge(retrieve,grade)graph.add_conditional_edges(grade,route,{generate:generate,refine:refine,fallback:fallback,give_up:give_up,})graph.add_edge(generate,END)graph.add_edge(refine,END)graph.add_edge(fallback,retrieve)# 换源后再走一遍检索评分graph.add_edge(give_up,END)appgraph.compile()注意fallback → retrieve这条回边它构成了换源重试的循环靠attempts计数防止无限循环。五、成本评估环节额外开销打分1 次 batchk 条文档精炼仅触发时1 次 batch换源重试仅触发时1 轮完整流程用便宜模型打分gpt-4o-mini 足够成本可控。实测下来相比普通 RAG总成本增加约 20%~40%但答案质量尤其是不编造这一项提升明显。省钱的技巧只对 top-5 打分不要对 top-20 全打打分用最小最便宜的模型这任务很简单缓存打分结果——相同文档相似问题可以复用。六、效果验证上一批的评测篇讲过怎么做测试集。CRAG 上线前后重点对比这三个指标指标期望变化忠实度faithfulness提升噪声被过滤拒答准确率明显提升不相关时不再硬编答案相关性略降部分问题改成拒答了注意第三条CRAG 会让一部分原本硬答的问题变成拒答所以相关性分数可能略微下降——这是好事不是退步。要分开看答了的对不对和该拒的拒了没。七、什么时候用场景用不用检索质量不稳定有时准有时不准强烈推荐对不编造要求高医疗、法务、财务强烈推荐检索已经很准top-3 全都相关收益有限白花钱延迟要求极严打分环节会增加 1~2 秒先测一下你的检索质量随机抽 20 个问题人工看 top-5 里有几条是相关的。如果平均只有 2~3 条相关CRAG 的价值就很大如果稳定 4~5 条相关就没必要。八、和相似方案的区别方案做什么区别重排rerank重新排序只排序不判断够不够上下文压缩抽句精简每次都做不按质量分流CRAG打分分流换源有明确的质量不够就换路逻辑三者可以叠加rerank 排序 → CRAG 打分分流 → 压缩精炼。九、小结CRAG 三步逐条打分relevant/ambiguous/irrelevant→ 按质量分流generate / refine / fallback→ 换源重试打分用batch并发便宜模型 max_tokens10成本很低refine本质是按质量触发的上下文压缩fallback换检索源企业场景慎用网页搜索用 LangGraph 实现时务必用attempts计数防止fallback → retrieve死循环预期效果忠实度和拒答准确率提升相关性可能略降这是正常的适用检索质量不稳定、对不编造要求高的场景。下一篇讲 Text-to-SQL——让不会写 SQL 的人查数据库。

LangChain Corrective RAG：检索结果不好时，怎么补救

相关推荐

气温预测项目实战：五模型对比与部署全流程解析

VOC/COCO/YOLO标签格式转换与YOLOv8实战指南

C++类和对象进阶：static成员、友元、内部类与匿名对象详解

更多资讯

PHP后端活体检测集成：服务端签名验签全流程实现

one_gadget实战：攻防世界babystack从栈溢出到getshell

从简历海啸到智能初筛：我用 ModelEngine Nexent 零代码搭建了一个招聘 Agent

Anaconda+Jupyter数据分析环境配置与实战指南

企业AI落地第一道坎：为什么你的公司凑不出一份能喂给AI的文档

12GB显存跑125B大模型：量化与分层卸载实战

今日更新

Susi AI API实战指南：susi_alexa_skill如何用Node.js调用chat.json获取智能回答

换新电脑了？KeyStats 恢复码数据找回完全指南，端到端加密统计一键重建

重建二叉树：由前序与中序遍历序列还原二叉树的原理与 Java 实现（YCBlogs 剑指 Offer 精讲）

本周精选

交通拥堵预测毕设：基于Python+LSTM的车辆流量预测系统全流程解析

MATLAB/Simulink搭建10机39节点电力系统暂态稳定仿真实战

无人机航拍三维重建全流程：从SfM到网格生成的避坑指南

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？