面向 Agentic RAG 的深度推理：LLM 中 RAG-Reasoning 系统综述
计算与语言
2025-07-17 v2 人工智能
摘要
检索增强生成（Retrieval-Augmented Generation, RAG）通过注入外部知识提升大型语言模型（LLM）的事实性，但在需要多步推理的问题上仍显不足；而纯粹基于推理的方法则容易产生幻觉或误植事实。本综述从统一的推理-检索视角综合了两大研究方向。首先，我们梳理了如何通过高级推理优化 RAG 的各个阶段（Reasoning-Enhanced RAG）。随后，我们展示了不同类型的检索知识如何为复杂推理提供缺失的前提并扩充上下文（RAG-Enhanced Reasoning）。最后，我们聚焦 emerging Synergized RAG-Reasoning 框架，其中（agentic）LLM 交替进行搜索和推理，以在知识密集型基准测试中实现最先进的性能。我们对方法、数据集和开放挑战进行分类，并概述了向更深入的 RAG-Reasoning 系统发展的研究路径，这些系统在有效性、多模态适应性、可信度和人机交互方面更具优势。该集合已在 https://github.com/DavidZWZ/Awesome-RAG-Reasoning 上公开。
关键词
引用
@article{arxiv.2507.09477,
title = {Towards Agentic RAG with Deep Reasoning: A Survey of RAG-Reasoning Systems in LLMs},
author = {Yangning Li and Weizhi Zhang and Yuyao Yang and Wei-Chieh Huang and Yaozu Wu and Junyu Luo and Yuanchen Bei and Henry Peng Zou and Xiao Luo and Yusheng Zhao and Chunkit Chan and Yankai Chen and Zhongfen Deng and Yinghui Li and Hai-Tao Zheng and Dongyuan Li and Renhe Jiang and Ming Zhang and Yangqiu Song and Philip S. Yu},
journal= {arXiv preprint arXiv:2507.09477},
year = {2025}
}
备注
submitted to ARR May