---
title: "CRAG：搜索结果不佳时如何纠正回答路径"
slug: "corrective-rag-retrieval-quality"
language: "zh-cn"
tags: ["crag","sag 기술","아키텍처","검색 ai 연구"]
created: "2026-09-06T00:00:00.000Z"
published: "2026-10-08T09:59:51.174Z"
updated: "2026-10-08T09:59:51.174Z"
sample: false
---

# CRAG：搜索结果不佳时如何纠正回答路径

## 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

- [CRAG 原始论文](https://arxiv.org/abs/2401.15884)

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。

- [搜索 AI 的扩展原理](/ko/blog?tag=%EA%B2%80%EC%83%89%20AI%20%EC%97%B0%EA%B5%AC)
- [功能指南 FAQ](/zh-cn/faq)