--- type: 入口页 status: 已发布 level: 通用 topic: - RAG - 科研 - Agent --- # Agentic RAG 论文汇总 > 本文档汇总了 RAG 与推理、智能体结合的前沿研究论文 --- ## 📑 目录 - [RAG 与推理（RAG-Reasoning）](#rag-与推理rag-reasoning) - [RAG 系统性思考](#rag-系统性思考) - [幻觉缓解技术](#幻觉缓解技术) --- ## RAG 与推理（RAG-Reasoning） ### 综述 1：同济大学（2025.04.24）⭐⭐⭐⭐ **Synergizing RAG and Reasoning: A Systematic Review** - **论文链接**：https://arxiv.org/pdf/2504.15909 - **代码库**：暂无 - **核心内容**：主要探讨了检索增强生成（RAG）与推理能力结合的研究进展 - **适合场景**： - 面试准备：RAG 如何与推理结合？怎么实现？ - 系统设计：理解 RAG-Reasoning 架构 - **扩展阅读**：[面试官：RAG 如何与推理结合？怎么实现？](https://ccn7vpu5l5y8.feishu.cn/wiki/XfwcwnOLoiAqdfkZUGncYuAnnMc) --- ### 综述 2：清华大学（2025.07.16）⭐⭐⭐⭐⭐ 强烈推荐 **Towards Agentic RAG with Deep Reasoning: A Survey of RAG-Reasoning Systems in LLMs** - **论文链接**：https://arxiv.org/pdf/2507.09477 - **代码库**：https://github.com/DavidZWZ/Awesome-RAG-Reasoning - **推荐原因**：最全面的 RAG-Reasoning 综述，配套 Awesome 资源库 #### 核心观点 检索增强生成（RAG）通过注入外部知识来提升大型语言模型（LLMs）的事实准确性，但在需要多步骤推理的问题上表现不足；相反，纯粹以推理为导向的方法往往会编造或错误关联事实。 本综述从统一的**推理-检索视角**综合了这两条研究路径： #### 三大研究方向 1. **推理增强型 RAG（Reasoning-Enhanced RAG）** - 高级推理如何优化 RAG 的各个阶段 - 提升检索质量和相关性判断 2. **RAG 增强型推理（RAG-Enhanced Reasoning）** - 不同类型检索知识如何提供缺失的前提 - 扩展复杂推理的上下文 3. **协同 RAG-推理框架（Synergistic RAG-Reasoning）** ⭐ 重点 - 智能体式（Agentic）LLMs 通过迭代交替搜索和推理 - 在知识密集型基准测试中实现最先进的性能 #### 内容涵盖 - ✅ 方法分类与对比 - ✅ 数据集汇总 - ✅ 开放挑战分析 - ✅ 未来研究方向 #### 研究目标 构建更有效、多模态自适应、可信且以人类为中心的深度 RAG-Reasoning 系统。 --- ## RAG 系统性思考 ### 综述 3：阿里巴巴 + 新加坡南洋理工（2025.10.10）⭐⭐⭐⭐⭐ **When Retrieval Succeeds and Fails: Rethinking Retrieval-Augmented Generation for LLMs** - **论文链接**：https://arxiv.org/pdf/2510.09106 - **代码库**：暂无 - **核心内容**：系统性思考当前 RAG 面临的关键挑战和解决思路 #### 四大核心问题 ##### 1. 何时触发检索？（When to Retrieve） **挑战**：LLM 知识边界不明，不知何时该检索 **解决方案**： - 自适应触发检索 - 通过不确定性评估（语义不确定性、自我不确定性等）判断 LLM 对查询的置信度 - **仅当 LLM 无法自信回答时激活 RAG** ##### 2. 检索什么？（What to Retrieve） **挑战**：复杂查询检索低效 **解决方案**： - 发展 **Agentic RAG** - 通过智能体分解复杂任务为多步骤 - 自适应检索外部知识 - **未来方向**：深化用户意图理解，建立适配多样复杂任务的统一范式 ##### 3. 信任什么？（What to Trust） **挑战**：外部数据源不可靠 **解决方案**： - 构建高质量知识库 - 做工具增强智能体（Tool-Augmented Agents） - 建立知识验证机制 ##### 4. RAG 如何工作？（How RAG Works） **挑战**：ICL 机制与 RAG 结合不明 **研究方向**： - 借助解释性技术（注意力滚动、因果追踪、表示探测等） - 研究 ICL（In-Context Learning）机制 - 分析查询与检索知识的信息流动 - 注意力头作用 - 证据与参数先验竞争等内容 --- ## 幻觉缓解技术 ### 综述 4：LLM 幻觉缓解技术总结（2025.10）⭐⭐⭐⭐ **Mitigating Hallucination in Large Language Models (LLMs): An Application-Oriented Survey on RAG, Reasoning, and Agentic Systems** - **论文链接**：https://arxiv.org/pdf/2510.24476 - **核心内容**：从能力增强视角系统分析 LLM 幻觉缓解方案 #### 幻觉分类 1. **知识型幻觉（Knowledge Hallucination）** - 表现：事实错误 - 缓解方案：RAG（检索增强生成） 2. **逻辑型幻觉（Logical Hallucination）** - 表现：推理缺陷 - 缓解方案：推理增强 #### 三级缓解框架 ``` RAG（检索增强生成）+ 推理增强 + 智能体系统（Agentic Systems） ``` #### 方案风险分析 ##### RAG 风险 - 检索质量依赖查询理解 - 不相关内容可能引入噪声 ##### 推理增强风险 - **过度思考（Overthinking）问题** - 冗长推理链可能引入新幻觉 - 计算成本增加 ##### 智能体系统风险 - 模块协作效率低 - 错误易在模块间传播 - 系统复杂度增加 #### 核心启示 虽然 RAG、推理增强和智能体系统三者结合是缓解幻觉的主流方向，但需要： - ✅ 平衡各方案的收益与风险 - ✅ 建立有效的质量控制机制 - ✅ 优化模块间的协作效率 --- ## 🔗 相关资源 ### 本项目其他文档 - [RAG 资源汇总](../../README.md) - [RAG 论文总览](../README.md) ### 外部资源 - [Awesome-RAG-Reasoning](https://github.com/DavidZWZ/Awesome-RAG-Reasoning) - 清华大学维护的 RAG-Reasoning 资源库 --- ## 📝 论文阅读建议 ### 入门级（必读） 1. **综述 2**（清华）- 最全面的 RAG-Reasoning 综述 2. **综述 3**（阿里巴巴）- 系统性思考 RAG 的四大问题 ### 进阶级 1. **综述 1**（同济）- RAG 与推理结合的深入探讨 2. **综述 4** - 从幻觉缓解角度理解 RAG、推理、Agent 三者关系 --- ## 🎯 面试重点 ### 高频问题 1. **RAG 如何与推理结合？** - 推理增强型 RAG：用推理优化检索过程 - RAG 增强型推理：用检索知识辅助推理 - 协同框架：迭代交替搜索和推理 2. **什么是 Agentic RAG？** - 智能体驱动的 RAG 系统 - 能够自主分解复杂任务 - 自适应决策何时检索、检索什么 3. **RAG 面临的主要挑战？** - 何时触发检索（知识边界问题） - 检索什么内容（复杂查询理解） - 信任什么数据（数据质量问题） - 如何工作（ICL 机制不明） 4. **如何缓解 LLM 幻觉？** - RAG：解决知识型幻觉 - 推理增强：解决逻辑型幻觉 - 智能体系统：综合优化 - 注意各方案的风险权衡 --- ## 📌 更新日志 - **2025.10** - 新增幻觉缓解技术综述 - **2025.10** - 新增阿里巴巴 RAG 系统性思考论文 - **2025.07** - 新增清华大学 RAG-Reasoning 综述 - **2025.04** - 新增同济大学 RAG 与推理综述 --- ## 🙏 贡献 欢迎补充更多 Agentic RAG 相关论文！ **贡献要求**： - 论文必须与 RAG-Reasoning 或 Agentic RAG 直接相关 - 提供论文链接和简要概括 - 标注核心观点和适用场景 --- **⭐ 如果这个资源对你有帮助，欢迎 Star 支持！** --- ## 完整内容索引 | 文档 | 类型 | 状态 | 难度 | 主题 | |:---|:---|:---|:---|:---| | [目录](./agentic_rag.md) | 论文清单 | 已发布 | 进阶 | RAG、科研 |