深層推論を伴うエージェンシックRAGに向けて：LLMにおけるRAG推論システムのサーベイ

要旨

検索拡張生成（RAG）は、外部知識を注入することで大規模言語モデル（LLM）の事実性を向上させるが、多段階の推論を必要とする問題には不十分である。一方、純粋に推論指向のアプローチは、しばしば事実を誤って生成したり、誤った根拠に基づいたりする。本調査では、これら二つの流れを統一的な推論-検索の視点で統合する。まず、高度な推論がRAGの各段階をどのように最適化するかをマッピングする（推論強化型RAG）。次に、異なる種類の検索された知識が、欠落した前提を補い、複雑な推論のための文脈を拡張する方法を示す（RAG強化型推論）。最後に、検索と推論を反復的に交互に行うことで、知識集約型ベンチマークで最先端の性能を達成する（エージェント型）LLMを中心とした新興のシナジーRAG-推論フレームワークに焦点を当てる。本調査では、手法、データセット、未解決の課題を分類し、より効果的で、マルチモーダルに適応可能で、信頼性が高く、人間中心の深層RAG-推論システムに向けた研究の方向性を概説する。コレクションはhttps://github.com/DavidZWZ/Awesome-RAG-Reasoningで公開されている。

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.

深層推論を伴うエージェンシックRAGに向けて：LLMにおけるRAG推論システムのサーベイ

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

要旨

Support