Loading...

🔧

RAG correctif (CRAG)

Système RAG qui détecte et corrige automatiquement les mauvais résultats de récupération grâce à une évaluation de la qualité et une nouvelle récupération

Complexité: highRécupération de connaissances (RAG)

In 30 seconds

What: Récupère des documents, note leur pertinence et relance une récupération avec des requêtes affinées lorsque la qualité passe sous le seuil fixé.
When to use: Tâches à forte composante de recherche documentaire où les premiers résultats sont souvent incomplets ou périmés, et où vous pouvez vous permettre des appels API supplémentaires.
Watch out: Un seuil de qualité trop élevé déclenche des boucles de récupération sans fin ; trop bas, il vide le procédé de son sens et gaspille du calcul.

Loading technique guide…

Patterns

Loading...

Modèles et techniques de conception

Loading...

🔧

RAG correctif (CRAG)

Système RAG qui détecte et corrige automatiquement les mauvais résultats de récupération grâce à une évaluation de la qualité et une nouvelle récupération

Complexité: highRécupération de connaissances (RAG)

In 30 seconds

What: Récupère des documents, note leur pertinence et relance une récupération avec des requêtes affinées lorsque la qualité passe sous le seuil fixé.
When to use: Tâches à forte composante de recherche documentaire où les premiers résultats sont souvent incomplets ou périmés, et où vous pouvez vous permettre des appels API supplémentaires.
Watch out: Un seuil de qualité trop élevé déclenche des boucles de récupération sans fin ; trop bas, il vide le procédé de son sens et gaspille du calcul.

Aperçu en 30 secondes

Modèle : RAG enrichi d'une évaluation explicite de la qualité de récupération et d'actions correctives fondées sur des scores de confiance

Pourquoi : Réduit les hallucinations et améliore l'exactitude grâce à l'évaluation qualité et à des stratégies de correction adaptatives

Idée clé : Stratégie de correction à trois niveaux : affiner les résultats de haute confiance, compléter ceux de confiance moyenne, re-récupérer ceux de faible confiance

Mise en œuvre rapide

1Récupération initiale:Récupérer des documents candidats par recherche dense/creuse/hybride

2Évaluation de la qualité:Évaluer la qualité de récupération avec un score de confiance (haute/moyenne/basse)

3Action corrective:Affiner, compléter ou relancer la récupération selon la bande de confiance

4Raffinement des connaissances:Décomposer et recomposer les preuves pour un contexte optimal

5Générer et vérifier:Générer la réponse avec citations et vérification optionnelle

Example: requête → récupérer → evaluate_quality → [corriger/compléter/re-récupérer] → affiner → générer

À faire et à éviter

✅Mettre en place un évaluateur explicite de qualité de récupération avec des seuils de confiance calibrés

✅Utiliser un raffinement des connaissances par décomposition puis recomposition des preuves

✅Compléter par une recherche web les résultats de confiance moyenne

✅Imposer des exigences strictes de citation avec traçabilité des sources

✅Mettre en cache les sorties de l'évaluateur et les connaissances affinées

❌Laisser l'évaluateur se décalibrer sans validation régulière des scores de confiance

❌Négliger la prévention de la dérive de requête lors de la re-récupération corrective

❌Créer des boucles de correction sans limite ni contrôle de coût et de latence

❌Mélanger sources obsolètes et récentes sans réconciliation temporelle

❌Négliger les mécanismes d'abstention quand la confiance reste durablement basse

Quand l’utiliser

À utiliser quand

• Applications à fort enjeu exigeant exactitude vérifiée et traçabilité
• Domaines en évolution rapide avec mises à jour fréquentes du contenu
• Bases de connaissances bruitées ou hétérogènes, de qualité variable
• Requêtes de longue traîne où la récupération initiale échoue souvent
• Environnements réglementés exigeant un ancrage explicite sur les preuves

À éviter quand

• Applications temps réel aux exigences de latence strictes
• Tâches à livre fermé où la connaissance paramétrique suffit
• Corpus homogènes de haute qualité avec un rappel constant
• Environnements interdisant l'accès web externe pour la complémentation
• Requêtes factuelles simples où un RAG standard est déjà fiable

Indicateurs clés

Fidélité de la réponse

Exactitude factuelle et ancrage dans les preuves récupérées

Calibration de l'évaluateur

Justesse des prédictions de confiance qualité (ROC-AUC, ECE)

Efficacité de la correction

Gain de qualité apporté par les actions correctives

Précision de récupération

Pertinence des documents après correction

Couverture des citations

Pourcentage d'affirmations étayées par des preuves

Répartition des actions

Équilibre entre décisions utiliser/compléter/re-récupérer

Principaux cas d’usage

Recherche juridique : analyse de jurisprudence exigeant sources vérifiées et exactitude temporelle

Q&R médicale : aide à la décision clinique avec recommandations fondées sur les preuves et contrôles de sécurité

Analyse financière : études de marché combinant données temps réel et connaissances historiques

Recherche sur les politiques publiques : informations gouvernementales et réglementaires devant être à jour

Documentation technique : documentation logicielle et API avec corrections spécifiques à chaque version

Références et lectures complémentaires

Approfondissez le sujet avec ces ressources sélectionnées

Articles fondateurs et recherche CRAG

Corrective Retrieval Augmented Generation (Yan et al., 2024)

Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (Lewis et al., 2020)

Self-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection (Asai et al., 2023)

Active Retrieval Augmented Generation (Jiang et al., 2023)

Évaluation et contrôle qualité

Searching for Best Practices in Retrieval-Augmented Generation (Barnett et al., 2024)

RAGAS: Automated Evaluation of Retrieval Augmented Generation (Es et al., 2023)

Benchmarking Large Language Models in Retrieval-Augmented Generation

Raffinement et traitement des connaissances

Lost in the Middle: How Language Models Use Long Contexts (Liu et al., 2023)

LongLLMLingua: Accelerating and Enhancing LLMs in Long Context Scenarios via Prompt Compression

Chain-of-Verification Reduces Hallucination in Large Language Models (Dhuliawala et al., 2023)

Factuality Enhanced Language Models for Open-Ended Text Generation (Lee et al., 2022)

Frameworks et outils d'implémentation

Implémentation du workflow Corrective RAG avec LlamaIndex

Chaînes d'évaluation et de correction RAG avec LangChain

Composants Haystack d'évaluation et de reclassement de documents

DSPy : optimiser les prompts et poids de LM pour les systèmes RAG

Intégration de la recherche web et complémentation

Bing Search API pour la récupération d'informations en temps réel

Intégration de Google Search API pour compléter les connaissances

Tavily Search API pour les applications d'IA

You.com Search API pour l'intégration par les développeurs

Déploiement en production et supervision

LangSmith : supervision en production des applications RAG

Weights & Biases : suivi des expérimentations pour systèmes CRAG

Arize : évaluation de la récupération

Neptune : gestion des expérimentations pour optimiser les systèmes RAG

Loading technique guide…