概述
Self-RAG 是一個框架，其中語言模型決定何時檢索，然後使用特殊的反射標記批評檢索到的段落及其自己的輸出。這很重要，因為它使檢索增強生成具有自適應性和自我檢查性，而不是盲目地為每個查詢獲取文件。
Self-RAG 和反射檢索是語言 AI 堆疊的一部分，用於大規模讀取、生成、分類和轉換文字和語音。
深入探討
標準 RAG 為每個輸入檢索固定數量的段落，即使不需要任何段落，並且從不驗證答案是否實際上受支援。 Self-RAG 由 Asai 及其同事於 2023 年推出，可訓練單一模型按需完成三件事。首先，它發出一個「檢索」令牌來決定是否需要外部知識。其次，檢索後，它會發出“IsRelevant”評論標記來判斷每個段落是否有幫助。第三，它產生「IsSupported」和「IsUseful」標記，評估其自己的陳述是否基於證據以及回應有多好。這些反射令牌讓系統僅在有保證時才進行檢索，過濾不相關的段落，並優先選擇模型本身評級為良好支持的輸出，從而減少幻覺。
技術洞察
Self-RAG 透過監督學習對標有反射標記的資料進行訓練，這些資料通常是從 GPT-4 等更強大的模型中提取出來的。在推理時，模型將普通文本標記與這些特殊控制標記交織在一起。然後，分段級波束搜尋可以使用批判標記的機率對候選延續進行評分，讓開發人員在運行時調整行為 - 例如，更重地加權「IsSupported」以最大化事實基礎與流暢性。
掌握 Self-RAG 與反思檢索
Self-RAG 是一個框架，其中語言模型決定何時檢索，然後使用特殊的反射標記批評檢索到的段落及其自己的輸出。這很重要，因為它使檢索增強生成具有自適應性和自我檢查性，而不是盲目地為每個查詢獲取文件。 Self-RAG 和反射檢索是語言 AI 堆疊的一部分，用於大規模讀取、生成、分類和轉換文字和語音。為了建立深入的理解，請將 Self-RAG 和反射檢索視為一種操作模型，而不是單一功能：定義期望的結果，澄清假設，並將系統可以可靠地執行的操作與仍需要專家判斷的操作分開。
在實踐中，強大的團隊使用 Self-RAG 和反思檢索將提示、檢索和審查循環設計為一個整合的通訊系統。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
語言工作流程可以在不犧牲一致性的情況下更快地移動。同時，幻覺事實可以悄悄地進入報告、支持流程或研究成果。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
語言工作流程可以在不犧牲一致性的情況下更快地移動。
語言工作流程可以在不犧牲一致性的情況下更快地移動。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
它擴展了跨語言和溝通方式的訪問。
它擴展了跨語言和溝通方式的訪問。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
團隊可以花更多時間進行判斷，而自動化則可以處理重複。
團隊可以花更多時間進行判斷，而自動化則可以處理重複。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
醫療問答助理使用其“檢索”決策令牌僅檢索臨床問題的指南並跳過問候語的檢索。
研究助理在寫作前檢查每個段落的「IsRelevant」評論，過濾掉偏離主題的搜尋結果。
企業聊天機器人更喜歡標記為「IsSupported」的答案，因此其聲明以公司文件為基礎，從而減少幻覺。
事實檢查工具使用「IsUseful」分數對多個候選答案進行排名，並顯示最有證據的答案。
實施模式
Self-RAG 與反思檢索的實踐
醫療問答助理使用其“檢索”決策令牌僅檢索臨床問題的指南並跳過問候語的檢索。
醫療問答助理使用其「檢索」決策標記，僅檢索臨床問題的指南，並跳過問候語的檢索。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
Self-RAG 與反思檢索的實踐
研究助理在寫作前檢查每個段落的「IsRelevant」評論，過濾掉偏離主題的搜尋結果。
研究助理在撰寫之前透過檢查每個段落的「IsRelevant」評論來過濾離題的搜尋結果。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會得到更好的結果。
Self-RAG 與反思檢索的實踐
企業聊天機器人更喜歡標記為「IsSupported」的答案，因此其聲明以公司文件為基礎，從而減少幻覺。
企業聊天機器人更喜歡標記為「IsSupported」的答案，因此其聲明以公司文件為基礎，減少幻覺。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會得到更好的結果。
Self-RAG 與反思檢索的實踐
事實檢查工具使用「IsUseful」分數對多個候選答案進行排名，並顯示最有證據的答案。
事實檢查工具使用「IsUseful」分數對多個候選答案進行排名，並顯示最有證據的答案。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
風險與防護欄
幻覺的事實可以悄悄地進入報告、支持流程或研究成果。
及時的敏感性可能會在類似的請求中產生不一致的結果。
如果存取控制薄弱，敏感文字資料可能會暴露。
實施路線圖
在推出之前定義輸出格式、語氣和品質標準。
在推出之前定義輸出格式、語氣和品質標準。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
當準確性很重要時，請使用可信任來源進行地面回應。
當準確性很重要時，請使用可信任來源進行地面回應。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
為高風險輸出保留人工審查檢查點。
為高風險輸出保留人工審查檢查點。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
追蹤故障模式並定期重新訓練提示或工作流程。
追蹤故障模式並定期重新訓練提示或工作流程。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。