DeepSeek-R1 模型以开源方式问世带来广泛影响，LLM 大模型发展由基础设置转向模型应用，但同时大模型仍面临模型“幻觉”、过时信息以及专业知识匮乏三个困境。RAG 架构可以通过搭建存储知识信息的数据库，并从中检索具有及时性、专业性的信息补充大语言模型的文本生成与逻辑思考过程。但在 RAG 的工作流程中，存在多个痛点问题影响其使用效果：在文档解析入库的流程中存在如何高质量完成文本识别 与分块、如何对分块信息进一步处理、如何选择合适的 Embedding 模型等痛点问题；在信息检索输出的流程中存在如何高质量进行内容检索、如何选择合适的重排序模型以及如何进行合适的 Prompt 处理衔接 RAG 与大模型等痛点问题。