Corrective RAG (CRAG) 纠偏检索

纠偏检索增强生成 (Corrective Retrieval-Augmented Generation, CRAG) 是一种引入轻量级检索评估器 (Retrieval Evaluator) 对内部知识库检索结果进行实时置信度判别的鲁棒性 RAG 架构；评估器根据置信度得分将检索状态分为三种分支：1) 正确 (Correct: 置信度高，通过知识精炼算法 Strip-Filter 提纯知识块后直接生成)；2) 错误 (Incorrect: 置信度极低，立即丢弃内部文档，触发 Web Search 外部网络搜索引擎重搜兜底)；3) 模糊 (Ambiguous: 置信度中等，同时结合内部精炼知识与外部 Web 搜索结果执行混合补充生成)。

内部私有知识库存在时效性盲区或数据覆盖不全、要求高可用容错兜底的企业级智能客服与多源问答系统。

传统 RAG 在内部库检索不到相关资料时，依然强行将低相关度噪音切块灌入 LLM，诱使大模型一本正经胡说八道产生严重幻觉；CRAG 建立了主动判错与动态回退搜索引擎机制，保证检索质量不可信时具备安全兜底手段。

详细描述 CRAG 检索评估器 (Retrieval Evaluator, 如微调的 T5/DeBERTa) 的评分置信度分级阈值判别逻辑？

CRAG 中的知识精炼 (Knowledge Refinement: Decompose -> Filter -> Recompose) 算法是如何剔除切块内部细粒度噪音的？

当进入 'Incorrect' 分支触发 Web Search (如 Tavily / Bing API) 时，如何对网络搜索结果进行即时清洗与重排？

对比 CRAG (明确三分支评估与 Web 兜底) 与 Self-RAG (自省 Token 解码) 在工程落地实现与系统解耦上的优劣？

在内部企业局域网（严格禁止外网访问）环境中，CRAG 的 'Incorrect' 外部搜索兜底分支应如何优雅降级（如转人工或明确告知无权限）？