ChatPaper.aiChatPaper

Hin zu agentischem RAG mit tiefgreifendem Schlussfolgern: Eine Übersicht über RAG-Schlussfolgerungssysteme in LLMs

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

July 13, 2025
papers.authors: Yangning Li, Weizhi Zhang, Yuyao Yang, Wei-Chieh Huang, Yaozu Wu, Junyu Luo, Yuanchen Bei, Henry Peng Zou, Xiao Luo, Yusheng Zhao, Chunkit Chan, Yankai Chen, Zhongfen Deng, Yinghui Li, Hai-Tao Zheng, Dongyuan Li, Renhe Jiang, Ming Zhang, Yangqiu Song, Philip S. Yu
cs.AI

papers.abstract

Retrieval-Augmented Generation (RAG) verbessert die Faktentreue von Large Language Models (LLMs) durch die Einbindung externen Wissens, scheitert jedoch bei Problemen, die mehrstufige Schlussfolgerungen erfordern; hingegen neigen rein auf Schlussfolgerungen ausgerichtete Ansätze oft dazu, Fakten zu halluzinieren oder falsch zu verankern. Diese Übersichtsarbeit vereint beide Stränge unter einer einheitlichen Perspektive des Schlussfolgerns und Retrievals. Zunächst zeigen wir auf, wie fortgeschrittenes Schlussfolgern jede Stufe von RAG optimiert (Reasoning-Enhanced RAG). Anschließend demonstrieren wir, wie abgerufenes Wissen unterschiedlicher Art fehlende Prämissen liefert und den Kontext für komplexe Schlussfolgerungen erweitert (RAG-Enhanced Reasoning). Schließlich beleuchten wir aufkommende Synergized RAG-Reasoning-Frameworks, in denen (agentische) LLMs iterativ Suche und Schlussfolgerung verknüpfen, um Spitzenleistungen in wissensintensiven Benchmarks zu erzielen. Wir kategorisieren Methoden, Datensätze und offene Herausforderungen und skizzieren Forschungsrichtungen hin zu tiefergehenden RAG-Reasoning-Systemen, die effektiver, multimodal adaptiv, vertrauenswürdig und menschenzentriert sind. Die Sammlung ist verfügbar unter https://github.com/DavidZWZ/Awesome-RAG-Reasoning.
English
Retrieval-Augmented Generation (RAG) lifts the factuality of Large Language Models (LLMs) by injecting external knowledge, yet it falls short on problems that demand multi-step inference; conversely, purely reasoning-oriented approaches often hallucinate or mis-ground facts. This survey synthesizes both strands under a unified reasoning-retrieval perspective. We first map how advanced reasoning optimizes each stage of RAG (Reasoning-Enhanced RAG). Then, we show how retrieved knowledge of different type supply missing premises and expand context for complex inference (RAG-Enhanced Reasoning). Finally, we spotlight emerging Synergized RAG-Reasoning frameworks, where (agentic) LLMs iteratively interleave search and reasoning to achieve state-of-the-art performance across knowledge-intensive benchmarks. We categorize methods, datasets, and open challenges, and outline research avenues toward deeper RAG-Reasoning systems that are more effective, multimodally-adaptive, trustworthy, and human-centric. The collection is available at https://github.com/DavidZWZ/Awesome-RAG-Reasoning.
PDF582July 17, 2025