Corrective RAG Là Gì?
Corrective RAG (CRAG) là một kỹ thuật sửa lỗi cho hệ thống RAG: trước khi đưa tài liệu cho AI đọc, một bộ kiểm tra sẽ chấm điểm từng tài liệu được truy xuất. Tài liệu tốt thì dùng, tài liệu rác thì loại bỏ hoặc thay bằng tìm kiếm bổ sung từ web. Nhờ vậy AI ít bị dẫn dắt bởi thông tin sai hơn hẳn RAG truyền thống.
Mình từng thấy nhiều người bỏ RAG chỉ vì vài lần AI trích nhầm nguồn rồi trả lời lạc đề. Thực ra vấn đề không nằm ở model, mà nằm ở bước truy xuất: tìm sai tài liệu thì model giỏi mấy cũng trả lời sai. CRAG sinh ra để xử lý đúng chỗ nghẽn đó.
RAG Thường Bị Sai Ở Đâu?
RAG chuẩn gồm ba bước: người dùng hỏi, hệ thống tìm tài liệu liên quan, AI đọc tài liệu rồi trả lời. Điểm yếu chết người nằm ở bước hai. Bộ tìm kiếm vector trả về kết quả theo độ tương đồng, mà tương đồng chữ nghĩa không đồng nghĩa với hữu ích.
Ví dụ bạn hỏi “giá VPS ở Việt Nam 2026 bao nhiêu”, hệ thống có thể truy xuất được một bài viết năm 2023 vẫn nói về giá VPS. Độ tương đồng rất cao vì đúng chủ đề, nhưng thông tin đã lỗi thời. AI đọc xong, tự tin đưa ra con số sai. Đây chính là loại lỗi CRAG muốn bắt.
Corrective RAG Hoạt Động Như Thế Nào?
CRAG thêm một lớp kiểm tra gọi là retrieval evaluator giữa bước tìm kiếm và bước sinh câu trả lời. Bộ đánh giá này chấm điểm chất lượng từng tài liệu, thường bằng một model nhỏ chạy nhanh, rồi chia kết quả thành ba nhánh.
Nhánh thứ nhất: tài liệu đúng. Nếu điểm cao, hệ thống giữ nguyên tài liệu, tinh chỉnh lại một chút rồi đưa cho model sinh câu trả lời. Nhánh thứ hai: tài liệu sai, điểm thấp. Lúc này CRAG bỏ tài liệu đó và tự động tìm kiếm bổ sung trên web để lấy nguồn mới. Nhánh thứ ba là vùng xám: tài liệu ambiguous, chưa chắc đúng hay sai. Khi đó hệ thống vừa dùng tài liệu gốc, vừa trộn thêm kết quả tìm kiếm web để AI có đủ ngữ cảnh tự cân nhắc.
Nói cách khác, CRAG không đặt cược tất cả vào một lần truy xuất. Nó kiểm tra, phát hiện sai, rồi tự chữa. Đây cũng là lý do tên gọi có chữ Corrective.
CRAG Khác Gì So Với Self-RAG?
Nhiều người nhầm hai kỹ thuật này vì cùng hướng đến RAG có khả năng tự kiểm tra. Điểm khác nằm ở thời điểm kiểm tra. Self-RAG để chính model ngôn ngữ lớn tự phản tư trong lúc sinh câu trả lời, quyết định khi nào cần truy xuất và khi nào nên tin nguồn. CRAG thì tách riêng một bộ đánh giá độc lập, kiểm tra tài liệu trước khi model bắt đầu viết.
Cách chia này giúp CRAG nhẹ hơn: bộ đánh giá nhỏ chạy nhanh, không bắt model chính phải gánh thêm việc. Còn Self-RAG mượt hơn khi cần quyết định linh hoạt theo từng câu, nhưng tốn compute hơn. Trong thực tế, hai kỹ thuật có thể kết hợp: CRAG lọc tài liệu trước, Self-RAG tự kiểm tra câu trả lời sau.
Khi Nào Nên Dùng Corrective RAG?
Theo quan điểm của mình, CRAG đáng dùng nhất khi corpus nội bộ của bạn lẫn lộn tốt xấu: tài liệu cũ lẫn mới, bản nháp lẫn bản chính thức, nhiều nguồn nói trái nhau. Chatbot nội bộ công ty là ví dụ điển hình, vì kho tài liệu nội bộ hiếm khi được quản lý sạch như ý muốn.
Ngược lại, nếu kho tài liệu nhỏ và được kiểm soát chặt, ví dụ tài liệu sản phẩm do bạn tự viết và duyệt, thì RAG chuẩn cộng RAG Fusion đã đủ. Thêm CRAG lúc này giống như lắp camera an ninh trong tủ kính: tốn kém mà chẳng bắt được ai.
Một lưu ý thực tế: nhánh tìm kiếm web trong CRAG làm tăng độ trễ và chi phí API tìm kiếm. Với ứng dụng cần phản hồi tức thời, bạn nên giới hạn chỉ kích hoạt tìm kiếm web khi điểm đánh giá thực sự thấp.
Cài Đặt Corrective RAG Có Khó Không?
Không khó như bạn nghĩ. Các framework như LangGraph đã có sẵn mẫu CRAG mẫu để tham khảo. Ba việc bạn cần chuẩn bị: một bộ đánh giá, có thể là model phân loại nhỏ; một nguồn tìm kiếm dự phòng, ví dụ Tavily hoặc SerpAPI; và logic phân nhánh theo điểm số.
Phần kiểm soát chất lượng dữ liệu đầu vào vẫn quan trọng hơn. Trước khi nghĩ đến CRAG, hãy chắc chắn chunking hợp lý và metadata tài liệu đầy đủ. CRAG là lưới cứu, không phải phép màu chữa mọi kho dữ liệu bẩn.
Kết Luận
Corrective RAG là kỹ thuật thêm lớp kiểm tra chất lượng tài liệu vào pipeline RAG: chấm điểm nguồn, loại bỏ nguồn xấu, tự tìm kiếm bổ sung khi cần. Với bất kỳ ai đang xây chatbot trên kho tài liệu thực tế, đây là một trong những nâng cấp đáng cân nhắc nhất, vì nó đánh thẳng vào điểm yếu phổ biến nhất của RAG: truy xuất sai rồi tự tin trả lời sai.
