Corrective RAG：让AI主动纠错的检索增强生成

一句话解释

Corrective RAG 是一种增强的 RAG 流程，它在常规“检索-生成”步骤之间增加了一个“纠错”环节，让 AI 在最终回答前先评估检索到的多段信息是否前后一致，如果发现矛盾或可疑内容，则自动修正或重新检索更可靠的资料。

为什么会被关注

传统 RAG 虽然能联网查资料，但如果检索到的文档本身有错误或互相矛盾，AI 仍可能生成不准确甚至误导的回答。Corrective RAG 通过主动检查信息一致性，大幅降低了这种风险，特别适合金融、医疗等容错率低的场景。

随着大模型在客服、教育等领域的落地，用户对回答的可靠性要求越来越高。Corrective RAG 不需要额外训练模型，通过叠加逻辑校验步骤就能显著提升事实准确率，因此受到开发者和企业的关注。

核心逻辑

它通常包含三个主要步骤：首先，利用标准 RAG 检索多个相关文档片段；然后，让一个专门的“纠错器”模型（或同一大模型）对比这些片段，找出时间、数据、逻辑上的矛盾之处；最后，如果发现冲突，系统会触发第二步操作——要么重新检索更权威的信息源，要么让生成模型结合最可信的信息重写回答。

纠错过程通常依赖于两阶段评估：先用一个轻量化的规则或分类模型快速判断片段是否一致，若不一致则调用更强的 LLM 进行深度分析。有些实现还会维护一个“可信度分数”，对高频矛盾源进行标记，逐步优化后续检索策略。

常见场景

在智能客服中，如果用户问“某产品保修期多久”，检索结果可能出现官网1年、某电商平台3年的矛盾信息。Corrective RAG 会识别出差异，优先采信官方来源并回退确认。同样，在医疗问答中，它可以避免参考过期临床指南导致的错误建议。

企业知识库问答是另一个典型场景：内部文档可能因部门不同而描述不一致（比如“审批流程”有两个版本）。Corrective RAG 能自动标记冲突段落，并在回答中注明“有版本差异”，甚至主动向管理员推送修正提醒。

容易混淆的点

Corrective RAG 和“自我反思”（Self-Reflection）不同：自我反思通常是生成回答后让模型自己检查一遍，而 Corrective RAG 是在生成之前就修正检索结果，更侧重于“源头治狂”。它也不是“多轮对话”中的追问，而是单次查询内部的自动纠错。

还有人会把它与“批判性 RAG”（Critical RAG）混淆。实际上两者侧重点不同：Corrective RAG 专注修正检索内容的不一致，而 Critical RAG 更强调对推理路径的批评性审查。尽管名字相似，但在实现上后者需要更复杂的逻辑验证链。