Self-RAG là phương pháp RAG tự phản chiếu trong đó LLM đánh giá sự cần thiết của việc tìm kiếm và tính hợp lệ của các tài liệu được truy xuất trong quá trình tạo và tạo câu trả lời trong khi tự đánh giá bằng cách sử dụng mã thông báo phản chiếu.
Self-RAG là một phương pháp mở rộng RAG trong đó LLM tự tạo ra các câu trả lời trong khi tự đánh giá sự cần thiết của việc tìm kiếm, mức độ liên quan của các tài liệu được truy xuất và hỗ trợ cho nội dung được tạo bằng cách sử dụng các mã thông báo đặc biệt gọi là `` mã thông báo phản ánh.'' Trong khi RAG thông thường luôn tìm kiếm và sử dụng các kết quả thu được, Self-RAG được đặc trưng bởi khả năng chỉ tìm kiếm khi cần thiết và tự phê bình loại trừ các tài liệu không liên quan và các tuyên bố vô căn cứ. Trong hoạt động thực tế kể từ năm 2026, việc bổ sung bước phản ánh sẽ làm tăng chi phí suy luận và độ trễ, được coi là cạm bẫy trong thực tế và thường bị tránh trong các ứng dụng chatbot yêu cầu hiệu suất thời gian thực. Ngoài ra, mã thông báo phản ánh học tập yêu cầu mô hình phê bình chuyên dụng và dữ liệu đào tạo bổ sung, do đó chi phí triển khai có xu hướng cao hơn so với xây dựng RAG thông thường. Về phương pháp lựa chọn trong lĩnh vực này, người ta đã áp dụng rộng rãi rằng việc áp dụng được xem xét trong các lĩnh vực có rủi ro cao (y tế, pháp lý, v.v.) trong đó ưu tiên cao nhất là ngăn chặn ảo giác và làm rõ bằng chứng, đồng thời sự kết hợp giữa RAG thông thường và sắp xếp lại là đủ cho các mục đích chung trong đó tốc độ và chi phí là quan trọng.