大模型慢思考通过逐步推理模拟人类思维提升复杂问题处理能力，知识图谱以结构化知识增强逻辑推理与可靠性。本报告剖析知识表示矛盾，围绕知识增强与大模型的关联，探讨两者互补优势，介绍知识增强下慢思考推理方法与应用进展。

在金融、医疗等领域数据碎片化困境中，知识增强大模型与复杂推理技术成破局关键。本报告聚焦核心方法论，结合实际的深度研究智能体产品实现逻辑，揭示通过 RAG、知识图谱等构建 “智能推理引擎”，融合多类型数据赋能深度决策，涵盖技术、推理、人机协同、产品演示及未来展望，为复杂场景提供破局思路。

大模型与外部知识结合成垂直领域应用焦点，却面临理解知识、稳定推理等挑战。知识图谱以符号化知识的逻辑严谨性与可解释性，将数据转化为知识化表达，引导大模型提升推理专业性。本次报告从落地问题出发，融合符号知识与大模型优势，结合医疗、金融等领域探索，分享技术实践与路径，为垂直领域应用提供解题思路。

知识检索增强技术（RAG）作为大语言模型（LLM）优化的关键手段，通过引入外部知识源，有效解决了幻觉问题和知识时效性问题。随着大语言模型的不断进化，包括更大规模的基座模型、复杂推理能力的提升（如以DeepSeek-R1为代表的深度思考模型），以及RAG技术自身的演进（如模块化RAG、GraphRAG、AgenticRAG等），RAG系统正逐步迈向更复杂的应用场景。通过与具备更高推理能力的模型以及图结构的结合，RAG技术正在经历从模糊语义匹配到逻辑驱动的精准检索、从信息堆砌到逻辑自洽的答案建构、从单一问答到系统性决策支持、从盲目检索到智能资源分配、从被动知识助手到认知伙伴的全面升级。本次报告将首先回顾2024年RAG技术的发展动态，并对上次报告中提出的十大挑战及发展路线图进行跟踪与总结。在此基础上，报告将结合当前大语言模型的发展阶段，深入探讨“是否仍需要RAG，以及需要怎样的RAG”这一核心问题。报告将从RAG与图技术的融合、RAG推理能力的提升以及RAG在决策支持中的应用三个维度展开，系统梳理从技术到应用的演进路径，并展望未来趋势。通过这一融合趋势的深入讨论，报告旨在帮助技术管理者与创业者更好地把握Agentic RAG的潜能与价值，为未来的技术升级与创新奠定坚实基础。

知识检索增强技术（RAG）作为大语言模型（LLM）优化的关键手段，通过引入外部知识源，有效解决了幻觉问题和知识时效性问题。随着大语言模型的不断进化，包括更大规模的基座模型、复杂推理能力的提升（如以DeepSeek-R1为代表的深度思考模型），以及RAG技术自身的演进（如模块化RAG、GraphRAG、AgenticRAG等），RAG系统正逐步迈向更复杂的应用场景。通过与具备更高推理能力的模型以及图结构的结合，RAG技术正在经历从模糊语义匹配到逻辑驱动的精准检索、从信息堆砌到逻辑自洽的答案建构、从单一问答到系统性决策支持、从盲目检索到智能资源分配、从被动知识助手到认知伙伴的全面升级。本次报告将首先回顾2024年RAG技术的发展动态，并对上次报告中提出的十大挑战及发展路线图进行跟踪与总结。在此基础上，报告将结合当前大语言模型的发展阶段，深入探讨“是否仍需要RAG，以及需要怎样的RAG”这一核心问题。报告将从RAG与图技术的融合、RAG推理能力的提升以及RAG在决策支持中的应用三个维度展开，系统梳理从技术到应用的演进路径，并展望未来趋势。通过这一融合趋势的深入讨论，报告旨在帮助技术管理者与创业者更好地把握Agentic RAG的潜能与价值，为未来的技术升级与创新奠定坚实基础。

复杂数据的表征学习致力于研究如何对多源涌现、体量巨大、非结构化、关联关系复杂的高维数据进行有效高效表达，挖掘隐藏在数据中的高价值知识从而服务于下游任务，具有重要的理论意义与应用价值。报告人针对复杂数据中“多源异构难融合、依赖关系不明确、知识表达不完备”三个不同层次的难点问题，以数据内在本征结构和数据间关联关系为基础，从“数据表征=>关联挖掘=>知识推理”三个方面开展了深入的研究工作，建立了“多流形数据协同=>多阶关系挖掘=>知识演化推理”的研究体系，提出了高维多维数据的乘积流形表示、图数据的特征演化和多阶关联、知识的本征结构和演化机理等一些列方法。