文章主要内容总结本文是一篇关于大型语言模型（LLMs）中检索增强生成（RAG）与推理融合的综述，核心内容如下：研究背景：LLMs存在两大局限——知识幻觉（因知识静态存储）和复杂推理能力不足。现有研究分为两类：RAG（通过外部知识增强事实性）和推理增强方法（提升内在推理能力），但两者存在内在关联（缺失知识阻碍推理，推理缺陷影响知识利用）。三大技术框架：推理增强的RAG（Reasoning→RAG）：利用推理优化RAG的检索、整合、生成全流程，例如通过查询重构提升检索相关性、通过逻辑融合整合证据、通过事实验证控制生成质量。RAG增强的推理（RAG→Reasoning）：通过外部知识（知识库、网页、工具）或上下文知识（过往经验、示例数据）填补推理中的事实缺口，例如利用知识库进行多步推理、通过网页检索验证事实、借助工具提升数值推理准确性。协同的RAG-推理（RAG⇔Reasoning）：推理与检索动态迭代、相互增强的框架，通过智能体（agent）实现多步搜索与推理的交织，例如链状、树状、图状推理流程，以及单智能体/多智能体协同策略，代表了当前“深度研究”系统（如OpenAI Deep Research）的核心机制。基准测试与挑战：总结了用于评估知识与推理能力的数据集（如Web浏览、单跳/多跳问答、数