본 논문은 Retrieval-Augmented Generation (RAG)과 순수 추론 기반 접근 방식의 장단점을 분석하고, 이를 통합하는 Reasoning-Enhanced RAG, RAG-Enhanced Reasoning, 그리고 Synergized RAG-Reasoning 프레임워크를 제시합니다. RAG는 외부 지식을 활용하여 LLM의 사실성을 높이지만 다단계 추론에는 취약하며, 순수 추론 방식은 환각이나 사실 왜곡의 위험이 있습니다. 본 논문은 고급 추론이 RAG의 각 단계를 최적화하는 방식, 다양한 유형의 검색된 지식이 복잡한 추론을 위한 전제를 제공하고 맥락을 확장하는 방식, 그리고 최첨단 성능을 달성하기 위해 검색과 추론을 반복적으로 병행하는 Synergized RAG-Reasoning 프레임워크를 설명합니다. 마지막으로, 방법론, 데이터셋, 개방형 과제를 분류하고, 더욱 효과적이고, 다중 모달에 적응력이 있으며, 신뢰할 수 있고, 인간 중심적인 RAG-Reasoning 시스템을 위한 연구 방향을 제시합니다. 관련 자료는 Github에서 확인 가능합니다.
