SAG / ARCHITECTURE NOTE
CRAG：搜索结果不佳时如何纠正回答路径
本文依据研究和官方文档，介绍 CRAG 的定义与必要性、工作原理、在 SAG 架构中的应用标准，以及实践检查清单。
一句话定义
CRAG 是一种纠错式 RAG 方法：评估搜索结果的质量，并在质量较低时切换或扩展搜索范围。
核心回答：如果检索到的文档有误或无关，RAG 可能会生成看似合理的错误答案。因此，需要一条不会无条件信任搜索结果的控制路径。
为什么需要这项技术？
如果检索到的文档有误或无关，RAG 可能会生成看似合理的错误答案。因此，需要一条不会无条件信任搜索结果的控制路径。
工作原理
检索评估器会将结果判定为 correct、ambiguous 或 incorrect，并选择知识精炼、网页搜索等其他路径。评估器错误和外部搜索的可靠性也需要单独管理。
设计时不能只关注准确率。还需要一并定义延迟、成本、数据边界、更新周期和失败时的行为，才能在实际运行中获得可复现的结果。对于自动化流程无法确定的值，安全的做法是将其保留为未测量或待审核状态，而不是改成 0 或成功。
与 SAG 技术的联系
SAG 的任务状态和证据缺失处理，与不把低质量结果伪装成成功的运行原则相一致。实际的外部搜索连接应与当前实现范围区分开来。
实践检查清单
- 将证据不足设为明确状态
- 对每条纠正路径应用来源策略
- 同时考察纠正前后的准确率和成本
- 将失败、空结果和权限错误的状态与成功区分开来
- 在相同条件下重新验证变更前后的结果
研究与官方文档
参考文档是原理和建议的依据。它们不保证搜索曝光、AI 提及、排名或收入；实际应用效果应通过服务数据和相同条件下的观测来验证。
选择标准与具体应用示例
如果检索到的文档介绍的是产品 B，而不是产品 A，就应在生成答案前评估搜索质量并选择纠正路径。通过网页搜索扩展范围后，也应重新确认来源的权威性、日期和原文；纠正并不总能提高准确性。
在 SAG 中的应用范围
本文讨论搜索 AI 的研究原理和扩展设计。可以结合 SAG 的页面采集、证据记录和报告验证结构来理解，但不要据此认为论文中的搜索算法已全部部署到运行管道中。是否应用应通过搜索模块、评估数据和执行记录加以确认。
如何继续阅读这项技术
比较 RAG、GraphRAG 和 Self-RAG 论文及其应用条件。
SAG / KNOWLEDGE LINKS