在大模型应用落地中，检索增强生成（RAG）是解决 “幻觉” 最核心的方案，但传统 RAG 存在致命短板：检索结果全靠 “赌”—— 如果初始检索到无关或不足的信息时，最终生成的答案要么满是幻觉，要么答非所问；更关键的是，本地知识库永远存在 “信息滞后”、“覆盖不全” 的问题，面对开放域、时效性问题时完全无力。
而 CRAG（Corrective RAG，修正型检索增强生成）正是为解决这些痛点而生：它无需训练、轻量易落地，仅通过 “检索后评估 + 补充检索” 的单次闭环，就能大幅提升 RAG 的准确性和覆盖度，是中小团队落地增强型 RAG 的最优选择。
本文将从核心概念、实现原理、应用场景、实操案例四个维度，完整拆解 CRAG 技术，所有案例代码均基于 LangChain 1.0 + 最新 API（舍弃旧版 Chain，兼容 2026 年最新生态），可直接复制运行。
一、CRAG 核心概念：什么是 “修正型 RAG”？
1. CRAG 的官方定义
CRAG 是由 AI 领域研究者提出的轻量级增强型 RAG 变体，核心逻辑是：在初始检索完成后、答案生成前，对检索结果的 “充分性 / 相关性” 做一次评估；若评估判定结果不足，则触发补充检索（如网络搜索、多库检索），用补充信息修正初始检索的缺陷。
2. CRAG 与传统 RAG、其他增强 RAG 的核心区别
传统 RAG 是 “一条路走到黑”：Query→检索→生成→输出，无论检索结果好坏，都基于此生成答案；而 Self-RAG（生成中反思）、Adaptive RAG（前置分类）虽能优化 RAG，但前者需训练、后者无补充检索能力。三者对比如下：
| 方案 | 核心逻辑 | 训练需求 | 核心优势 | 核心短板 |
|---|---|---|---|---|
| 传统 RAG | 固定检索→生成 | 无 | 简单易实现 | 检索不足时直接幻觉，无修正能力 |
| Adaptive RAG | 前置分类→路由不同策略 | 无（轻量分类） | 效率高 | 无补充检索，无法解决 “信息不足” |
| Self-RAG | 生成中自主检索 / 评估 | 需 SFT 训练 | 精度最高 | 训练成本高、推理耗时久 |
| CRAG | 检索后评估→补充检索 | 无（纯工程） | 轻量易落地、支持最新信息补充 | 仅单次修正，无多轮迭代 |
3. CRAG 的核心价值
零训练成本
纯提示词 + 工程组合实现，无需标注数据、无需微调模型；
解决信息不足
支持网络检索补充，突破本地知识库的时效性 / 覆盖度限制；
降低幻觉概率
仅用 “评估为足够” 的信息生成答案，过滤无关片段；
易落地
基于主流 RAG 框架（LangChain）可快速改造现有 RAG 系统。
二、CRAG 实现原理：拆解 “评估 - 修正” 的核心闭环
CRAG 的核心是 “一次评估、一次修正”，整个流程无迭代、无复杂决策，是最易落地的增强型 RAG 方案。
1. CRAG 标准执行流程
2. 关键模块拆解
CRAG 的核心由 3 个模块组成，所有模块均可基于 LangChain 1.0 + 的 Runnable 接口快速实现：
（1）初始检索器
负责从本地数据源（向量库、数据库、文件系统）获取初始相关片段，是传统 RAG 的基础组件，可选择：
- 向量检索（Chroma/Milvus/Pinecone）：适合语义相似性检索；
- BM25 检索：适合关键词匹配；
- 混合检索：向量 + BM25，兼顾语义和关键词。
（2）检索结果评估器（CRAG 核心）
这是 CRAG 的 “大脑”，核心作用是判断 “当前检索片段是否能完整、准确回答用户问题”。
- 实现方式：基于 LLM（如 GPT-3.5-turbo、智谱 GLM-4、开源 Zephyr-7B）+ 标准化提示词；
- 核心要求：评估结果必须标准化（如仅输出 YES/NO），避免 LLM 生成冗余内容导致路由失败；
- 提示词设计原则：
- 明确评估维度（充分性、相关性）；
- 限制输出格式（仅 YES/NO）；
- 示例引导（可选，提升评估准确性）。
（3）补充检索器
初始检索不足时的 “兜底方案”，核心是选择与初始检索异构的方式，最大化信息补充效果：
- 若初始是向量检索→补充可选：Web 搜索（获取最新信息）、BM25 检索（关键词补充）；
- 若初始是本地知识库→补充可选：多库检索（跨企业多个知识库）、大 k 值检索（获取更多片段）；
- 原版 CRAG 的核心亮点：支持 Web 搜索（如 DuckDuckGo/Bing），解决 “本地知识库信息滞后” 问题。
三、CRAG 典型应用场景：这些场景用 CRAG 效果翻倍
CRAG 并非 “万能方案”，但在以下 4 类场景中，能显著提升 RAG 效果：
1. 开放域时效性问答
场景特点：问题涉及最新事件、动态数据，本地知识库无法覆盖（如 “2025 年 OpenAI 发布了哪些新模型？”、“最新 LangChain 1.0 + 的核心更新是什么？”）。CRAG 价值：初始检索本地知识库（无最新信息）→评估器判定 “不足”→触发 Web 搜索获取最新信息→生成准确答案。
2. 企业知识库补全问答
场景特点：企业多系统部署知识库（如产品文档、客服话术、技术手册分存在不同库），单库检索易遗漏信息。
CRAG 价值：初始检索某一库（信息不足）→评估器判定 “不足”→触发多库联合检索→整合多源信息生成完整答案。
3. 低质量知识库问答
场景特点：企业知识库内容碎片化、冗余度高，初始检索易获取无关片段。
CRAG 价值：初始检索到无关片段→评估器判定 “不足”→触发大 k 值 + 混合检索→获取更多相关片段→过滤后生成答案。
4. 合规性问答（金融 / 医疗）
场景特点：回答需基于 “充分且准确” 的信息，禁止幻觉，需规避 “检索不足导致的错误回答”。
CRAG 价值：评估器严格判定信息充分性，仅当信息足够时才生成答案，不足时触发补充检索，最大程度降低合规风险。
四、实操案例：基于 LangChain 1.0 + 实现 CRAG（基础版 + 进阶版）
以下案例均基于 Python 实现，兼容 LangChain 1.0.7+，分为 “基础版（本地补充检索）” 和 “进阶版（Web 搜索补充）”，可直接运行。
前置准备
# 核心依赖（LangChain 1.0+） pip install langchain==1.0.7 langchain-openai langchain-chroma langchain-text-splitters python-dotenv # 进阶版需额外安装（Web搜索） pip install langchain-community案例 1：基础版 CRAG（本地补充检索）
适用于无网络访问权限的场景，通过 “初始小 k 值检索 + 补充大 k 值检索” 实现修正，全程基于本地向量库，这里为了演示方便，笔者通过构建两个不同本地向量库的方式来模拟检索召回效果。完整代码:
from dotenv import load_dotenv from langchain.chat_models import init_chat_model # LangChain 1.0.7 实测可用组件 from langchain_chroma import Chroma from langchain_community.embeddings import DashScopeEmbeddings from langchain_core.documents import Document from langchain_core.output_parsers import StrOutputParser from langchain_core.prompts import ChatPromptTemplate from langchain_core.runnables import RunnableLambda from langchain_text_splitters import RecursiveCharacterTextSplitter # ====================== 1. 环境与组件初始化 ====================== load_dotenv() # 核心组件（轻量化，降低成本） llm = init_chat_model(model="deepseek-chat", temperature=0) embeddings = DashScopeEmbeddings( model="text-embedding-v4", dashscope_api_key="sk-45ae63842f984131b32422a02f1bfae8" ) text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50) # 测试知识库（替换为你的文档） init_test_docs = [ Document(page_content="LangChain 1.0+核心特性：舍弃旧版Chain类，全面基于Runnable接口，支持链式调用、并行执行。", metadata={"source": "langchain_docs"}), Document(page_content="LangChain 1.0.7更新：优化了RunnableBranch组件，修复了Chroma向量库兼容问题。", metadata={"source": "langchain_changelog"}), Document(page_content="CRAG的核心是检索后评估，若结果不足则触发补充检索，无需训练LLM。", metadata={"source": "crag_paper"}), ] init_split_docs = text_splitter.split_documents(init_test_docs) init_vector_db = Chroma.from_documents( documents=init_split_docs, embedding=embeddings, persist_directory="./crag_chroma_db1" ) test_docs = [ Document(page_content="LangChain 1.0+核心特性：舍弃旧版Chain类，全面基于Runnable接口，支持链式调用、并行执行。", metadata={"source": "langchain_docs"}), Document(page_content="LangChain 1.0.7更新：优化了RunnableBranch组件，修复了Chroma向量库兼容问题。", metadata={"source": "langchain_changelog"}), Document(page_content="CRAG的核心是检索后评估，若结果不足则触发补充检索，无需训练LLM。", metadata={"source": "crag_paper"}), Document(page_content="CRAG补充检索可选择Web搜索、多库检索、大k值检索三种方式，优先选择异构检索。", metadata={"source": "crag_guide"}) ] split_docs = text_splitter.split_documents(test_docs) vector_db = Chroma.from_documents( documents=split_docs, embedding=embeddings, persist_directory="./crag_chroma_db2" ) # ====================== 2. CRAG 核心模块定义 ====================== # 2.1 检索器（初始+补充） initial_retriever = init_vector_db.as_retriever(k=1) # 初始小k值检索 supplement_retriever = vector_db.as_retriever(k=4) # 补充大k值检索 # 2.2 检索结果评估器（输出标准化 YES/NO） eval_prompt = ChatPromptTemplate.from_messages([ ("system", "仅输出YES或NO，不添加任何其他内容。判断标准：上下文是否足够回答问题。"), ("human", "上下文：{context}\n问题：{query}") ]) evaluator = eval_prompt | llm | StrOutputParser() # 2.3 答案生成链（初始+补充） def build_answer_chain(prompt_desc: str): """封装生成链，减少重复代码""" prompt = ChatPromptTemplate.from_messages([ ("system", prompt_desc), ("human", "上下文：{context}\n问题：{query}") ]) return prompt | llm | StrOutputParser() # 初始检索生成链（仅用初始上下文） initial_answer_chain = build_answer_chain( "根据上下文回答问题，仅使用提供的信息，禁止编造。" ) # 补充检索生成链（整合多片段信息） supplement_answer_chain = build_answer_chain( "根据补充的上下文全面回答问题，整合所有相关信息，禁止遗漏关键点。" ) # ====================== 3. CRAG 核心逻辑（全程字典输入） ====================== def get_initial_context(input_dict: dict) -> dict: """步骤1：获取初始检索上下文，返回字典""" query = input_dict["query"] initial_docs = initial_retriever.invoke(query) # 文档转字符串（评估器需要文本输入） initial_context = "\n".join([doc.page_content for doc in initial_docs]) return { "query": query, "initial_context": initial_context, "initial_docs": initial_docs # 保留原始文档，备用 } def evaluate_context(input_dict: dict) -> dict: """步骤2：评估初始上下文，返回字典（含评估结果）""" eval_result = evaluator.invoke({ "context": input_dict["initial_context"], "query": input_dict["query"] }) # 鲁棒性处理：确保评估结果是 YES/NO eval_result = eval_result.strip().upper() if eval_result.strip() in ["YES", "NO"] else "NO" print(f"评估检索结果:{eval_result}") return {**input_dict, "eval_result": eval_result} def generate_answer(input_dict: dict) -> str: """步骤3：根据评估结果选择生成链，返回最终答案""" query = input_dict["query"] if input_dict["eval_result"] == "YES": # 用初始上下文生成 return initial_answer_chain.invoke({ "context": input_dict["initial_context"], "query": query }) else: # 用补充上下文生成 supplement_docs = supplement_retriever.invoke(query) supplement_context = "\n".join([doc.page_content for doc in supplement_docs]) print("评估结果不通过，进入到补充检索环节") return supplement_answer_chain.invoke({ "context": supplement_context, "query": query }) # 组装CRAG链（全程字典输入，无嵌套Runnable） crag_chain = ( RunnableLambda(get_initial_context) # 步骤1：获取初始上下文 | RunnableLambda(evaluate_context) # 步骤2：评估上下文 | RunnableLambda(generate_answer) # 步骤3：生成答案 ) # ====================== 4. 测试运行（核心：传入字典！） ====================== if __name__ == "__main__": # 测试问题1：初始检索足够（评估结果 YES） test_query1 = {"query": "LangChain 1.0+舍弃了什么旧特性？"} print("=== 测试问题1（评估结果：YES）===") print(crag_chain.invoke(test_query1)) print("\n" + "-" * 50 + "\n") # 测试问题2：初始检索不足（评估结果 NO） test_query2 = {"query": "CRAG有哪些补充检索方式？"} print("=== 测试问题2（评估结果：NO）===") print(crag_chain.invoke(test_query2))运行结果说明
测试问题 1：初始检索 k=1 能获取 “LangChain 1.0 + 舍弃旧版 Chain 类” 的信息，评估器输出 YES，直接基于初始结果生成答案；
测试问题 2：初始检索 k=1 仅能获取 “CRAG 核心是检索后评估” 的信息，无法回答 “补充检索方式”，评估器输出 NO，触发补充检索（k=4），获取到 “Web 搜索、多库检索、大 k 值检索” 的信息，生成完整答案。
案例 2：进阶版 CRAG（Web 搜索补充）
适用于需要获取最新信息的场景，初始检索本地知识库，不足时触发 DuckDuckGo Web 搜索，获取全网最新信息。
完整代码（仅展示核心修改部分，其余同基础版）
# 新增导入Web搜索工具 from langchain_community.tools import DuckDuckGoSearchRun web_search = DuckDuckGoSearchRun() # 重写生成答案函数（Web搜索版） def generate_answer_with_web(input_dict: dict) -> str: """步骤3：评估不足时触发Web搜索""" query = input_dict["query"] if input_dict["eval_result"] == "YES": return initial_answer_chain.invoke({ "context": input_dict["initial_context"], "query": query }) else: # 替换为Web搜索补充 web_context = web_search.invoke(query) return supplement_answer_chain.invoke({ "context": web_context, "query": query }) # 组装Web版CRAG链 crag_web_chain = ( RunnableLambda(get_initial_context) | RunnableLambda(evaluate_context) | RunnableLambda(generate_answer_with_web) ) # 测试时效性问题（传入字典！） if __name__ == "__main__": test_query = {"query": "2025年LangChain发布了哪些新版本？"} print("=== CRAG Web搜索版结果 ===") print(crag_web_chain.invoke(test_query))运行结果说明
本地知识库仅包含 “LangChain 1.0.7” 的信息，无法回答 “2025 年新版本”，评估器输出 NO，触发 Web 搜索，获取 2025 年 LangChain 的最新版本信息并生成答案，解决了本地知识库 “信息滞后” 的问题。
五、CRAG 落地避坑指南
1. 评估器提示词设计避坑
- ❌ 错误示例：“请分析上下文是否能回答问题，并说明原因”（输出冗余，导致路由失败）；
- ✅ 正确示例：仅要求输出 YES/NO，可加示例引导：“示例 1：上下文包含‘CRAG 无需训练’，问题‘CRAG 需要训练吗？’→输出 YES；示例 2：上下文无‘CRAG 补充方式’，问题‘CRAG 有哪些补充方式？’→输出 NO”。
2. 补充检索策略避坑
- 避免 “初始检索和补充检索同质化”（如初始向量检索，补充还是向量检索），优先选择异构方式；
- Web 搜索需控制频率（成本 + 速度），可增加 “时效性判断”：仅对 “包含年份 / 最新 / 当前” 等关键词的问题触发 Web 搜索。
3. 成本优化避坑
- 评估器优先使用轻量 LLM（如 GPT-3.5-turbo），而非 GPT-4；
- 限制补充检索的 k 值 / 搜索结果数量（如 Web 搜索仅返回前 3 条结果）；
- 对高频简单问题，可先通过 Adaptive RAG 前置分类，避免不必要的 CRAG 评估。
六、总结：CRAG 的价值与未来趋势
CRAG 的核心价值在于 “轻量易落地”—— 无需训练、无需复杂架构，仅通过 “检索后评估 + 补充检索” 的单次闭环，就能解决传统 RAG “信息不足导致幻觉” 的核心痛点，是中小团队落地增强型 RAG 的首选方案。未来，CRAG 的发展方向将是：
与 Adaptive RAG 融合：前置分类判断是否需要 CRAG，进一步降低成本；
多轮 CRAG：支持多次评估 - 补充检索，提升复杂问题的回答精度；
轻量化评估器：用开源小模型（如 BERT、MiniLM）替代 LLM 做评估，降低依赖。
如果你正在落地 RAG 系统，不妨试试 CRAG—— 仅需几行代码改造，就能让你的 RAG 系统告别 “检索不足导致的幻觉”，大幅提升回答准确性。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～
