Towards Agentic RAG with Deep Reasoning: A Survey of RAG-Reasoning Systems in LLMs

文章主要内容总结

本文是一篇关于大型语言模型（LLMs）中检索增强生成（RAG）与推理整合的综述，核心内容如下：

1. 背景与问题：LLMs存在两大局限——知识幻觉（因知识静态存储）和复杂推理能力弱。为此，研究形成两大方向：RAG（提供外部知识）和推理增强方法，但早期两者多为单向增强，存在检索适配性不足、推理深度有限、系统适应性差等问题。

2. 三大框架分类：

   • 推理增强RAG（Reasoning-Enhanced RAG）：利用推理优化RAG的检索、整合、生成全流程（如推理感知的查询重构、证据融合、生成时的事实验证）。
   • RAG增强推理（RAG-Enhanced Reasoning）：通过检索外部知识（知识库、网页、工具）或上下文信息（经验、示例）填补推理中的事实缺口，提升推理的事实性。
   • 协同RAG-推理（Synergized RAG-Reasoning）：检索与推理迭代交互的新兴框架，通过单智能体或多智能体编排，实现推理引导检索、检索反哺推理的动态协同（如链状、树状、图状推理工作流）。

3. 基准测试与挑战：总结了