ms-ai-architect/skills/ms-ai-engineering/references/rag-architecture/self-reflective-rag.md

Self-Reflective RAG — Selvevaluerende retrieval

Last updated: 2026-06-24 Status: GA (Microsoft Foundry evaluators), Preview (agentic retrieval) Category: RAG Architecture & Semantic Search Type: reference Source: https://learn.microsoft.com/azure/foundry/concepts/evaluation-evaluators/rag-evaluators

---

Innhold

• Introduksjon
• Kjernekomponenter
• Arkitekturmønstre
• Beslutningsveiledning
• Integrasjon med Microsoft-stakken
• Offentlig sektor (Norge)
• Kostnad og lisensiering
• For arkitekten
• Kilder og verifisering

Introduksjon

Self-Reflective RAG er en arkitektur der systemet evaluerer og raffinerer sine egne retrieval-beslutninger i en iterativ loop. I tradisjonell RAG aksepteres retrieved chunks ukritisk — selv når de er irrelevante eller utilstrekkelige. Self-reflective RAG innfører en evalueringsmekanisme som scorer retrieved dokumenter og trigger re-retrieval, query-reformulering eller fallback-strategier ved lav confidence.

To fremtredende forskningsbidrag definerer feltet: CRAG (Corrective RAG) bruker en lightweight evaluator som returnerer confidence-grader (Correct/Incorrect/Ambiguous) for å trigge korrektive handlinger, og Self-RAG der modellen kritiserer og verifiserer sine egne outputs under generering.

Microsoft Foundry tilbyr innebygde evaluatorer for RAG quality assessment (groundedness, relevance, coherence — alle 1-5 skala) som kan integreres i en feedback loop. Azure AI Search agentic retrieval (preview) forbedrer retrieval-relevans med opptil 40% gjennom LLM-assistert query planning.

---

Kjernekomponenter

CRAG-arkitektur

Komponent	Beskrivelse	Handling
Retrieval Evaluator	Scorer retrieved dokumenter	Confidence: Correct / Incorrect / Ambiguous
Correct (høy confidence)	Dokumenter er relevante	Gå direkte til generering
Ambiguous (middels)	Delvis relevante	Decompose-then-recompose: filtrer irrelevant innhold
Incorrect (lav confidence)	Dokumenter er irrelevante	Re-retrieve med reformulert query eller web search fallback

Microsoft Foundry evaluatorer

Evaluator	Type	Scoring	Bruksområde
Retrieval	Prosess	1-5 Likert	Query-context relevans (uten ground truth)
Groundedness	System	1-5 Likert	Response alignment med context (precision)
Groundedness Pro	System	Binary	Strikt consistency via Azure AI Content Safety
Relevance	System	1-5 Likert	Response adresserer query fullstendig
Response Completeness	System	1-5 Likert	Response dekker all kritisk info (recall)
Document Retrieval	Prosess	NDCG, XDCG	Krever ground truth labels

Self-reflective loop

Query → Initial Retrieval → Evaluering
  ├─ Score ≥ threshold → Generer svar → Groundedness-check
  │   ├─ Grounded → Returner svar
  │   └─ Ikke grounded → Re-generate med justert prompt
  └─ Score < threshold → Query reformulering → Re-retrieval → Evaluering

---

Arkitekturmønstre

Mønster 1: CRAG med Microsoft Foundry evaluators

Arkitektur: Query → Azure AI Search → Retrieval Evaluator → [Correct: Generate] / [Ambiguous: Filter + Generate] / [Incorrect: Reformulate + Re-retrieve]

Implementering:

from azure.ai.evaluation import RetrievalEvaluator, GroundednessEvaluator

retrieval_eval = RetrievalEvaluator(model_config=model_config, threshold=3)
groundedness_eval = GroundednessEvaluator(model_config=model_config, threshold=3)

# Steg 1: Initial retrieval
results = search_client.search(query, vector_queries=[...], top=5)
context = "\n".join([r["chunk"] for r in results])

# Steg 2: Evaluer retrieval-kvalitet
retrieval_score = retrieval_eval(query=query, context=context)

if retrieval_score["retrieval"] >= 4:  # Correct
    response = generate_response(query, context)
elif retrieval_score["retrieval"] >= 2:  # Ambiguous
    filtered = filter_relevant_passages(context, query)
    response = generate_response(query, filtered)
else:  # Incorrect
    reformulated = reformulate_query(query)
    new_results = search_client.search(reformulated, ...)
    response = generate_response(reformulated, new_results)

# Steg 3: Groundedness-check
grounded = groundedness_eval(
    query=query, context=context, response=response
)
if grounded["groundedness_result"] == "fail":
    response = regenerate_with_stricter_prompt(query, context)

Fordeler:

• Managed evaluators — ingen custom modelltrening
• Integrert med Microsoft Foundry observability
• Støtter reasoning-modeller (o-series) med is_reasoning_model=True

Anbefalt for: Produksjonssystemer der svarkvalitet er kritisk.

Mønster 2: Iterativ query refinement med Semantic Kernel

Arkitektur: Agent med OnDemandFunctionCalling → Søk → Evaluer → Reformuler → Søk igjen

Implementering (C#):

var options = new TextSearchProviderOptions
{
    SearchTime = RagBehavior.OnDemandFunctionCalling,
    Top = 5,
    PluginFunctionName = "SearchKnowledge"
};

ChatCompletionAgent agent = new()
{
    Name = "ReflectiveAssistant",
    Instructions = """
    Before answering, search for relevant information.
    After retrieving results, assess if they are sufficient.
    If not, reformulate your search query and try again.
    Maximum 3 search attempts per question.
    Always cite your sources.
    """,
    Kernel = kernel,
    UseImmutableKernel = true
};

Fordeler:

• Agent styrer iterativ loop naturlig via instruksjoner
• Fleksibel — kan tilpasses domene-spesifikke evalueringskriterier
• Integrert med Semantic Kernel ecosystem

Anbefalt for: Code-first teams som vil ha full kontroll over refleksjon-logikken.

Mønster 3: Parameter sweep-optimalisering

Arkitektur: Systematisk testing av retrieval-parametere mot golden metrics

Prosess:

1. Definer golden metrics (XDCG, Fidelity, NDCG)
2. Opprett ground truth labels (human eller LLM-basert)
3. Kjør parameter sweep over re-ranker thresholds, target indices, knowledge sources
4. Velg optimal konfigurasjon basert på groundedness + relevance scores

Microsoft Foundry-støtte:

Metric	Formål
Max Relevance N	Maks relevans-score i top-k chunks
XDCG	Resultatkvalitet innenfor top-k dokumenter
Fidelity	Hvor nøyaktig retrieval matcher ground truth

Anbefalt for: Enterprise-teams med ground truth-data og kapasitet til systematisk evaluering.

---

Beslutningsveiledning

Beslutningstabell

Scenario	Anbefalt mønster	Begrunnelse
Kritisk svarkvalitet (helse, jus)	Mønster 1 (CRAG + evaluators)	Systematisk kvalitetssikring
Code-first team	Mønster 2 (SK iterativ)	Full kontroll, fleksibelt
Ground truth tilgjengelig	Mønster 3 (parameter sweep)	Kvantitativ optimalisering
Kostnadsbevisst	Mønster 2 med max 2 iterasjoner	Begrens LLM-kall

Vanlige feil

Feil	Konsekvens	Løsning
Uendelig refleksjon-loop	Høy kostnad, timeout	Sett maks iterasjoner (2-3)
Threshold for lav	Alle retrievals trigges som «incorrect»	Start med threshold=3, kaliber
Kun groundedness uten relevance	Grounded men irrelevante svar	Kombiner groundedness + relevance
Ingen baseline-metrics	Umulig å vite om refleksjon hjelper	Mål metrics FØR og ETTER

Røde flagg

• Self-reflective RAG for enkle FAQ-systemer (overkill)
• Ingen logging av evaluator-scorer over tid
• Refleksjon uten mål (ingen metrics å optimalisere mot)
• Groundedness Pro i produksjon uten fallback (avhengig av Content Safety API)

---

Integrasjon med Microsoft-stakken

Tjeneste	Integrasjonspunkt
Microsoft Foundry	Innebygde evaluatorer (Groundedness, Relevance, Retrieval)
Azure AI Search	Retrieval backend + agentic retrieval (preview)
Semantic Kernel	OnDemandFunctionCalling for iterativ retrieval
Azure OpenAI	GPT-4o for evaluering og generering
Application Insights	Logging av evaluator-scorer, iterasjoner, latency
Azure AI Content Safety	Groundedness Pro (binary consistency check)

---

Offentlig sektor (Norge)

Dataplassering

• Microsoft Foundry evaluators: Kjøres via Azure OpenAI (Sweden Central) — data i EU/EØS
• Azure AI Content Safety: Sjekk regional tilgjengelighet for Groundedness Pro

Relevante vurderinger

Krav	Implikasjon
AI Act	Self-reflective mekanismer støtter krav om robusthet og pålitelighet
Forvaltningsloven	Evaluator-logger dokumenterer beslutningsgrunnlag
GDPR	Evaluator-kall behandler brukerdata — databehandleravtale
NSM	Grading-krav → on-premises evaluering for gradert info

---

Kostnad og lisensiering

Kostnadskomponenter

Komponent	Kostnad per query	Notat
Initial retrieval	~0.5 NOK	Standard search + embedding
Retrieval evaluator (GPT-4o)	~0.3 NOK	LLM-basert scoring
Groundedness evaluator	~0.3 NOK	LLM-basert scoring
Re-retrieval (ved feil)	~0.5 NOK	Trigges i ~20-30% av queries
Gjennomsnittlig total	~1.5-2.5 NOK	vs. ~1 NOK for standard RAG

ROI-vurdering

Hvis self-reflective RAG reduserer feilaktige svar fra 15% til 5%:

• Kostnad: +50-150% per query
• Gevinst: 10% færre feilaktige svar → redusert manuell korreksjon, høyere tillit

---

For arkitekten

Spørsmål å stille kunden

1. "Hva er konsekvensen av feil svar?" — Høy konsekvens (helse, jus) → self-reflective RAG
2. "Har dere ground truth-data?" — Ja → parameter sweep, nei → LLM-basert evaluering
3. "Hva er akseptabel ekstra latency?" — Self-reflection = 1-3 ekstra LLM-kall
4. "Trenger dere audit trail for beslutninger?" — Evaluator-logger dekker dette
5. "Har dere kapasitet til å kalibrere thresholds?" — Krever iterativ tuning

Fallgruver

• Evaluator som gospel: LLM-baserte evaluatorer har selv feilrate — bruk som signal, ikke absolutthet
• Over-refleksjon: Mer enn 3 iterasjoner gir sjelden bedre svar, men øker kostnad drastisk
• Glemmer menneske-i-loopen: Self-reflective er ikke det samme som feilfri

Anbefalinger per modenhetsnivå

Modenhet	Anbefaling
Prototyp	Standard RAG. Mål baseline groundedness og relevance.
Pilot	Legg til Groundedness evaluator post-generation. Logg scores.
Produksjon	CRAG-mønster med retrieval + groundedness evaluering. Max 2 iterasjoner.
Enterprise	Full parameter sweep + automated threshold-kalibrering + A/B-testing.

---

Kilder og verifisering

Kilde	Konfidens	URL
RAG Evaluators (Microsoft Foundry)	Verified	learn.microsoft.com
RAG LLM Evaluation Phase	Verified	learn.microsoft.com
Semantic Kernel Agent RAG	Verified	learn.microsoft.com
Corrective RAG (CRAG) paper	Verified	arxiv.org
Evaluating RAG Agents (MS Tech Community)	Verified	techcommunity.microsoft.com
Azure AI Search agentic retrieval (40% improvement)	Baseline	infoq.com