清华最新综述！200+文献全面凝练Agentic RAG最新进展~

点击下方 卡片 ，关注" 大模型之心Tech "公众号 戳我 -> 领取大模型巨卷干货 检索增强生成（Retrieval-Augmented Generation, RAG）通过注入外部知识提升了大语言模型的事实性，但在需要多步推理的问题上表现欠佳；反 之，纯推理导向的方法则常出现生成幻觉内容（hallucination）或事实依据不足的问题。本综述从"推理-检索协同"这一统一视角，整合了上述两大 研究方向。首先，本文梳理了先进推理技术如何优化RAG的各个阶段（即"推理增强型RAG"）；其次，阐述了不同类型的检索知识如何为复杂推理 补充缺失前提并扩展上下文（即"RAG增强型推理"）；最后，重点聚焦新兴的"协同式RAG-推理框架"——在这类框架中，具备智能体能力 （agentic）的LLM会迭代交替执行搜索与推理操作，从而在各类知识密集型基准测试中实现当前最优性能。本文对相关方法、数据集及开放挑战进 行了分类梳理，并勾勒出未来研究方向，旨在构建更高效、多模态适配、可信且以人为本的深度RAG-推理系统。 汇总链接：https://github.com/DavidZWZ/Awesome-RAG-Reasoning ...