Resumen: La generación de recuperación aumentada (RAG) se ha convertido en un marco poderoso para superar las limitaciones de conocimiento de los modelos de idiomas grandes (LLM) al integrar la recuperación externa con la generación de idiomas. Si bien los sistemas de RAG tempranos basados en tuberías estáticas han mostrado efectividad en tareas bien estructuradas, luchan en escenarios del mundo real que requieren razonamiento complejo, recuperación dinámica e integración multimodal. Para abordar estos desafíos, el campo ha cambiado hacia el razonamiento de Rage Rag, un paradigma que incorpora la toma de decisiones y el uso de herramientas adaptativas directamente en el proceso de recuperación. En este documento, presentamos una revisión exhaustiva de los métodos de RAG de razonamiento de agente, clasificándolos en dos sistemas primarios: el razonamiento predefinido, que sigue tuberías modulares fijas para aumentar el razonamiento y el razonamiento de agente, donde el modelo orquesta autónomos de la interacción de la herramienta durante la inferencia. Analizamos técnicas representativas bajo ambos paradigmas, que cubren el diseño arquitectónico, las estrategias de razonamiento y la coordinación de herramientas. Finalmente, discutimos los desafíos clave de la investigación y proponemos direcciones futuras para avanzar en la flexibilidad, la robustez y la aplicabilidad de los sistemas de trapo de razonamiento. Nuestra colección de la investigación relevante se ha organizado en un esta URL HTTPS.
Publicado Originalme en rss.arxiv.org El 12 de junio de 2025.
Ver Fuente Original
