에이전틱 RAG와 깊은 추론: LLMs에서의 RAG-추론 시스템 개요

Retrieval-Augmented Generation (RAG)는 외부 지식을 주입하여 대형 언어 모델(LLMs)의 사실성을 향상시키지만, 다단계 추론이 요구되는 문제에서는 부족한 면이 있습니다. 반면, 순수하게 추론에 중점을 둔 접근 방식은 종종 환각(hallucination)이나 사실 근거 오류(mis-grounding)를 일으킵니다. 이 조사는 통합된 추론-검색 관점에서 양쪽 연구 경향을 종합합니다. 먼저 고급 추론이 RAG의 각 단계를 어떻게 최적화하는지(RAG 강화 추론) 분석하고, 그 다음으로 다양한 유형의 검색된 지식이 복잡한 추론을 위해 결여된 전제를 제공하고 맥락을 확장하는 방법(RAG 강화 추론)을 설명합니다. 마지막으로, (대리인 역할을 하는) LLMs가 검색과 추론을 반복적으로 교차 수행하여 지식 집약적인 벤치마크에서 최고 수준의 성능을 달성하는 새로운 시너지 효과 RAG-추론 프레임워크(Synergized RAG-Reasoning frameworks)를 조명합니다. 우리는 방법, 데이터셋, 그리고 개방된 과제들을 분류하고, 더 효과적이고 다중 모드 적응력이 있으며 신뢰성 있고 인간 중심적인 더 깊은 RAG-추론 시스템에 대한 연구 방향을 제시합니다. 이 자료는 https://github.com/DavidZWZ/Awesome-RAG-Reasoning 에서 확인할 수 있습니다.