langgraph_self_rag.ipynb

Self-RAG: Modell prüft die eigene Antwort auf Fundierung in den Quellen und iteriert bei Bedarf.

Für wen: Höchste Antwortqualität bei Doku-/Wissens-Bots.

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

Self-RAG geht einen Schritt weiter als CRAG: Nach der Antwortgenerierung prüft das Modell selbst, ob seine Aussage tatsächlich durch die abgerufenen Quellen gedeckt ist und ob sie die ursprüngliche Frage beantwortet. Ist das nicht der Fall, generiert der Graph erneut oder ruft neue Dokumente ab. Das macht die Pipeline langsamer und teurer als einfaches RAG, liefert dafür aber spürbar verlässlichere Antworten bei Dokumentations- oder Support-Bots, wo falsche Fakten teuer sind. Wer nur gelegentliche Fehler tolerieren kann, ist mit CRAG oder einfachem RAG oft besser bedient; wer maximale Faktentreue braucht, profitiert vom zusätzlichen Selbstprüfungsschritt.

Praxis-Tipp

Eignet sich gut für interne Wissensdatenbanken mit klar abgegrenzten, verlässlichen Quellen – bei sehr großen oder widersprüchlichen Dokumentenbeständen dauert die Selbstprüfung entsprechend länger.

Siehe auch

• langgraph_self_rag_local.ipynb
• langgraph_crag.ipynb
• langgraph_adaptive_rag.ipynb

Lizenz & Quelle

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

Lade …