langgraph_crag.ipynb

Corrective RAG (CRAG): Abgerufene Dokumente werden bewertet; bei schlechter Qualität wird die Suche korrigiert/ergänzt (Websuche).

Für wen: Wer RAG-Halluzinationen durch Dokument-Grading reduzieren will.

So nutzt du es

Das sind Jupyter-Notebooks: herunterladen, pip install langchain langgraph und in Jupyter/VS Code öffnen. Die Notebooks erklären Schritt für Schritt agentische RAG-Muster zum Nachbauen.

Im Detail

Corrective RAG fügt der klassischen Retrieval-Pipeline einen Bewertungsschritt hinzu: Nach dem Abruf prüft ein LLM, ob die gefundenen Dokumente die Frage überhaupt beantworten können. Sind sie irrelevant oder unzureichend, wird nicht einfach mit schlechten Quellen weitergemacht, sondern automatisch eine Websuche nachgeschaltet. Das reduziert Halluzinationen, die entstehen, wenn ein Standard-RAG-System trotz dürftiger Treffer eine selbstsichere Antwort generiert. Sinnvoll für Wissens-Bots, deren Dokumentenbasis lückenhaft ist oder sich thematisch nicht klar abgrenzen lässt. Der Mehraufwand gegenüber simplem RAG lohnt sich vor allem, wenn Antwortqualität wichtiger ist als Latenz und Kosten pro Anfrage.

Praxis-Tipp

Nützlich als Ausgangspunkt, wenn eigene RAG-Antworten bei Randthemen häufig falsch oder erfunden wirken – der Dokument-Grading-Schritt lässt sich isoliert in bestehende Pipelines übernehmen.

Siehe auch

• langgraph_crag_local.ipynb
• langgraph_self_rag.ipynb
• langgraph_adaptive_rag.ipynb

Lizenz & Quelle

• Lizenz: MIT
• Quelle: langchain-ai/langgraph

Lade …