Retrieval-Augmented Generation (RAG) は、外部の知識を注入することで大規模言語モデル (LLMs) の事実性を向上させますが、複数段階の推論を必要とする問題では不足しています。一方、純粋に推論志向のアプローチはしばしば幻覚化や事実の誤った基盤付けを行うことがあります。本調査では、これらの両方の手法を統一的な推論・検索の観点から総合的に考察します。まず、高度な推論が RAG の各段階をどのように最適化するかをマッピングし (推論強化型 RAG)、次に異なる種類の検索された知識が複雑な推論のために欠落している前提条件を補完し、文脈を拡張する方法を示します (RAG 強化型推論)。最後に、(能動的な) 大規模言語モデルが反復的に検索と推論を行って、知識集約型ベンチマークで最先端の性能を達成する新興のシナジー型 RAG-推論フレームワークに焦点を当てます。本稿では、手法やデータセット、未解決課題を分類し、より効果的で多様なモーダルに対応し、信頼性が高く人間中心的な深層 RAG-推論システムへの研究方向性について概説します。本コレクションは https://github.com/DavidZWZ/Awesome-RAG-Reasoning で利用可能です。