本次查询：Self-RAG
中文解释：自我反思检索增强生成
常见场景：大模型知识增强与事实性推理场景
一句话解释
Self-RAG是一种让大语言模型在回答问题时，主动判断是否需要查阅外部资料，并对查阅到的信息进行自我检查与修正的智能机制。它像给AI装上了“自查自纠”的内部审查系统。
为什么会被关注
传统RAG虽然引入了外部知识库，但检索结果可能不相关或包含错误，模型却直接照搬。Self-RAG通过引入批判性标记（如“是否检索”“是否采纳”）让模型在生成中动态校验，显著减少了幻觉和事实性错误。
业界对AI可信性的要求日益提高，Self-RAG不额外依赖外部评分模型，仅仅通过少量训练数据就能让模型学会自我调节，降低了落地部署的成本和复杂度。
核心逻辑
Self-RAG的核心是在模型解码时插入两个特殊标记：一个用来评估是否需要打断当前生成并检索外部资料（Retrieval Marker），另一个用来评估检索到的片段是否与当前推理目标一致（Critique Marker）。模型对每个生成片段都可进行“检索-批判-采纳/拒绝”的循环。
训练阶段，模型通过监督学习学会预测这些标记；推理时，模型自主决定何时触发检索，并对检索结果给出自我一致性的评分，最终只选择通过内部审核的信息用于后续生成。这相当于在标准Transformer中嵌入了可学习的反思回路。
常见场景
知识密集型问答，比如医疗、法律、金融领域，需要精准引用最新事实时，Self-RAG能自动检索数据库并验证文献可靠性，避免输出过时或矛盾的答案。
长文档生成与摘要，模型在撰写报告时会分段落检查来源，确保每个陈述都有据可查。此外，在对话机器人中，Self-RAG可让AI主动补充缺失背景或纠正自己之前的回答。
容易混淆的点
误区一：认为Self-RAG就是“自己检索自己生成”。实际上，它更强调“反思”环节——检索后模型需要批判性地评估信息质量，而不是直接使用。
误区二：与Chain-of-Thought混淆。CoT是引导模型一步步推理，但缺乏针对外部知识的交互；Self-RAG则是在推理链条中主动插入检索和批判节点。
误区三：以为需要额外训练一个评判模型。Self-RAG的训练是在原有语言模型上微调少量参数即可，无需第二个投票或打分模型。