学术论文
Synergizing RAG and Reasoning: A Systematic Review
Yunfan Gao, Yun Xiong, Yijie Zhong, Yuxi Bi, Ming Xue, Haofen Wang
2025-04-22
arXiv
LLMRAG知识图谱
摘要
近期大语言模型（LLM）在推理能力上的突破，使得检索增强生成（RAG）达到了前所未有的高度。通过将检索机制与高级推理相结合，LLM 现在能够应对日益复杂的问题。本文系统性地回顾了 RAG 与推理之间的协同作用，明确界定了 RAG 语境下的"推理"概念。我们构建了一个涵盖多维协作目标、代表性范式和技术实现的全面分类体系，并分析了双向协同的方法。此外，本文还批判性地评估了当前 RAG 评测中的局限性，包括多步推理缺乏中间监督，以及与成本-风险权衡相关的实际挑战。为弥合理论与实践的鸿沟，我们还针对多样化的真实应用场景，提供了实用指南。最后，本文指出了有前景的研究方向，如基于图的知识整合、混合模型协作和强化学习驱动的优化。总体而言，本研究为学术界和工业界推进 RAG 系统提供了理论框架和实践基础，助力下一代 RAG 解决方案的发展。。
播客
0:00
加载中...
播放速度：