北京
检索增强生成（RAG）的痛点从来不在"有没有"，而在"准不准"。用户问一个问题，向量数据库吐回来五篇文档，三篇相关两篇跑偏，大模型照样会被带沟里去。
corrective RAG（CRAG）的思路很直接：加一道质检工序。不是检索完直接扔给大模型，而是先让另一个模型审一遍——这些文档到底能不能回答问题？能就继续，不能就重写查询再搜一次。
这套 TypeScript 实现把流程拆成了五个状态节点。retrieve 节点负责从 Pinecone 拉取文档，默认取 top-5，支持按 namespace 过滤。这里有个细节：查询用的是 rewrittenQuestion，如果前一轮刚重写过，就用重写后的版本，否则用原始问题。
gradeDocuments 节点是 CRAG 的核心差异点。它给大模型塞了一个极简的 system prompt，只允许返回 good 或 bad 两个词。没有评分、没有置信度，就是二选一。这种硬截断的设计牺牲了粒度，但换来了稳定性——解析结果不需要容错处理，trim 一下直接用。
如果评级是 bad，流程进入 rewriteQuery。这里同样走一次大模型调用，system prompt 只有一句话："Rewrite the user's query to improve vector retrieval." 重写后的查询会覆盖进状态，retrieve 节点下一轮就会用上。
状态管理用了 LangGraph 的 Annotation 机制。CRAGState 里除了继承 MessagesAnnotation 的对话历史，还挂了六个自定义字段：question（原始问题）、namespace（Pinecone 命名空间）、documents（检索结果）、retrievalGrade（质检评级）、rewrittenQuestion（重写后的问题）、answer（最终答案）、retryCount（重试计数器）。
retryCount 的存在说明这套实现支持循环。从代码结构看，rewriteQuery 之后应该有一条边指回 retrieve，形成"检索-质检-重写"的闭环。但截断的代码里没展示条件路由逻辑，具体最多重试几次、什么情况下放弃，需要看完整的边定义。
向量存储做了单例缓存。getVectorStore 用 module-level 的变量存 PineconeStore 实例，首次调用时初始化，后续直接复用。这种设计在 serverless 环境里要注意冷启动问题——如果实例被回收，下次调用会重新走一遍 fromExistingIndex。
模型配置硬编码了 gpt-4 和 temperature 0。零温度确保质检和重写的结果可复现，但代价是创造性为零。如果查询本身需要一定的语义泛化，完全确定性的输出可能反而限制重写效果。
整个流程的日志埋点很密集，每个节点进出都有 console.log，带 [CRAG] 前缀方便过滤。生产环境估计得换成结构化日志，但至少调试阶段能看清数据流。
这套代码没展示的是：answer 节点怎么实现、循环退出条件是什么、以及如果重试次数耗尽怎么处理。CRAG 论文里提到的一个细节是，即使文档评级为 good，也可以并行做一次 web 搜索作为补充——这部分显然没在这个实现里出现。
从工程角度看，这是一个最小可用的 CRAG 骨架。状态定义清晰，节点职责单一，但距离生产级还差异常处理、超时控制、成本监控这些运维层的东西。特别是 gradeDocuments 和 rewriteQuery 各走一次大模型调用，延迟和 token 消耗都得算进成本账。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
