CRAG（纠正性检索增强生成）
CRAG（Corrective Retrieval-Augmented Generation）是RAG的升级方案，它通过在生成前先评估检索结果的可靠性，并对低质量内容进行修正或重新检索，从而显著提升回答准确性。
一句话解释
CRAG是一种改进的检索增强生成框架，它在标准RAG基础上增加了“检索评估-纠错回退”环节：当系统发现检索到的信息可能不相关或矛盾时，会主动发起二次检索或依赖外部知识源进行修正，最终让大模型只使用经过验证的内容来生成回答。
为什么会被关注
此外，CRAG不要求修改大模型本身的参数，而是作为一种插件式框架工作，落地成本低。许多企业和研究者都在探索如何将CRAG与知识图谱、实时搜索引擎结合，所以它很快成为RAG领域的下一个主流方向。
核心逻辑
关键差异在于“纠正”环节：CRAG不是简单重复RAG流程，而是通过一个独立的评估器（通常是小模型或规则）来检测检索质量，并引导大模型只采纳经过“审查”的信息，从而避免将错误知识混入输出。
常见场景
在智能客服中，用户问“最新退货政策”，系统首次检索可能拿到旧版本，CRAG的评估器发现日期不符，便启动二次检索并优先匹配更新日期≥当前时间的文档，确保回答时效性。
在学术文献问答中，检索结果若包含矛盾结论（比如一篇论文说A有效、另一篇说A无效），CRAG会标记冲突并请求用户确认或调用权威知识图谱进行仲裁，而非强行拼凑答案。
容易混淆的点
CRAG≠普通RAG。普通RAG只做“检索+生成”，而CRAG多了评估与纠正步骤。有人误以为只要把检索结果增多就能提升质量，实际上CRAG更看重对单次检索结果的质量判断和错误修复机制。
CRAG也不同于完全放弃检索的纯生成模型——它依然依赖外部知识，只是多了安全护栏。还有观点认为CRAG与“自我纠错”（Self-Correction）类似，但CRAG侧重对外部检索源的校验，而非对生成内容的自我反思。
本文内容用于 AI 热词解释和概念整理，仅供学习和理解参考。若涉及表述偏差或内容修正，欢迎联系站点进行更新。
相关热词RAG（检索增强生成）是一种将信息检索与大语言模型生成能力相结合的技术范式。它让模型在回答前，先从外部知识库中查找相关文档，然后基于这些检索到的准确信息进行生成，从而显著提升回答的准确性、时效性和可追溯性。
检索增强生成是一种将信息检索与大语言模型生成能力相结合的技术框架。它让模型在回答前，先从外部知识库中检索相关信息作为参考，从而生成事实性更强、时效性更高且可追溯来源的内容，有效缓解大模型的“幻觉”问题。
知识图谱是一种用图结构来建模和表示现实世界中实体、概念及其复杂关系的技术。它通过节点和边，将散乱的信息编织成一张巨大的语义网络，旨在让机器能够像人类一样理解和推理知识间的关联。