Le modèle de génération augmenté par la recherche (Retrieval-Augmented Generation, RAG) améliore la facticité des grands modèles linguistiques (Large Language Models, LLMs) en injectant des connaissances externes, mais il peine à résoudre les problèmes nécessitant une inférence en plusieurs étapes ; inversement, les approches purement axées sur le raisonnement ont souvent tendance à halluciner ou à mal ancrer les faits. Cette revue synthétise ces deux approches sous une perspective unifiée de raisonnement et de recherche. Nous commençons par cartographier comment le raisonnement avancé optimise chaque étape du RAG (RAG amélioré par le raisonnement). Ensuite, nous montrons comment les connaissances récupérées de différents types fournissent des prémisses manquantes et élargissent le contexte pour l'inférence complexe (Raisonnement amélioré par le RAG). Enfin, nous mettons en lumière les nouveaux cadres de RAG-Raisonnement synergiques, où les LLMs (agents) itèrent alternativement la recherche et le raisonnement pour atteindre des performances de pointe dans diverses évaluations intensives en connaissances. Nous classifions les méthodes, les jeux de données et les défis ouverts, et esquissons des voies de recherche vers des systèmes de RAG-Raisonnement plus profonds qui sont plus efficaces, adaptés aux multiples modalités, dignes de confiance et centrés sur l'humain. La collection est disponible à l'adresse suivante : https://github.com/DavidZWZ/Awesome-RAG-Reasoning.