基于System 1或System 2的推理RAG：面向工业挑战的推理智能体检索增强生成综述
人工智能
2025-06-13 v1 信息检索
摘要
检索增强生成（RAG）已成为一种强大的框架，通过整合外部检索与语言生成来克服大语言模型（LLMs）的知识局限。虽然基于静态流水线的早期RAG系统在结构良好的任务中已显示出有效性，但在需要复杂推理、动态检索和多模态整合的真实场景中仍面临挑战。为应对这些挑战，该领域已转向推理智能体RAG（Reasoning Agentic RAG），一种将决策制定和自适应工具使用直接嵌入检索过程的范式。在本文中，我们对推理智能体RAG方法进行了全面综述，将其分为两大类：预定义推理，遵循固定模块化流水线以增强推理；以及智能体推理，模型在推理过程中自主编排工具交互。我们分析了两类范式下的代表性技术，涵盖架构设计、推理策略和工具协调。最后，我们讨论了关键研究挑战并提出了未来方向，以推进推理智能体RAG系统的灵活性、鲁棒性和适用性。我们将相关研究整理到了https://github.com/ByebyeMonica/Reasoning-Agentic-RAG。
引用
@article{arxiv.2506.10408,
title = {Reasoning RAG via System 1 or System 2: A Survey on Reasoning Agentic Retrieval-Augmented Generation for Industry Challenges},
author = {Jintao Liang and Gang Su and Huifeng Lin and You Wu and Rui Zhao and Ziyue Li},
journal= {arXiv preprint arXiv:2506.10408},
year = {2025}
}