К агентному RAG с глубоким рассуждением: обзор систем RAG-рассуждений в крупных языковых моделях

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

July 13, 2025

Авторы: 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

Аннотация

Генерация с усилением поиска (RAG) повышает фактическую точность больших языковых моделей (LLM) за счет внедрения внешних знаний, однако она оказывается недостаточно эффективной для задач, требующих многошагового вывода; с другой стороны, подходы, ориентированные исключительно на рассуждения, часто порождают галлюцинации или некорректно привязывают факты. Этот обзор объединяет оба направления в рамках единой перспективы рассуждений и поиска. Сначала мы описываем, как продвинутые методы рассуждений оптимизируют каждый этап RAG (RAG с усилением рассуждений). Затем мы показываем, как извлеченные знания различных типов восполняют недостающие предпосылки и расширяют контекст для сложного вывода (Рассуждения с усилением RAG). Наконец, мы выделяем новые синергетические фреймворки RAG-Рассуждения, в которых (агентные) LLM итеративно чередуют поиск и рассуждения для достижения передовых результатов на тестах, требующих интенсивного использования знаний. Мы классифицируем методы, наборы данных и открытые вызовы, а также намечаем направления исследований для создания более глубоких систем RAG-Рассуждений, которые будут более эффективными, адаптивными к мультимодальности, надежными и ориентированными на человека. Коллекция доступна по адресу 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.