Was ist der Hauptzweck eines RAG-Pipelines?	Um ein großes Sprachmodell (LLM) mit spezifischem, externem Wissen zu versehen, das in den Trainingsdaten nicht enthalten war.
Welche drei Hauptkomponenten werden in der Vorverarbeitung (Pre-processing) eines RAG-Prozesses verwendet?	Text Chunking, Text Embeddings und die Speicherung in einer Vektordatenbank.
Was ist die Funktion der Normalisierung von Vektoren in diesem Kontext?	Die Skalierung der Vektor-Größe (Magnitude) auf einen Wert von 1.0.
Was ist eine Vektordatenbank (Vector Database) und wofür wird sie benötigt?	Eine Datenbank, die optimiert ist, um hochdimensionale Vektoren (Embeddings) zu speichern, zu vergleichen und abzurufen.
Wie wird eine Benutzeranfrage (Query) in den RAG-Prozess eingebracht?	Die Anfrage wird durch denselben Embedding-Modellprozess geleitet wie die ursprünglichen Dokumententeile.
Welche mathematische Methode wird verwendet, um die Ähnlichkeit zwischen der Benutzeranfrage und den gespeicherten Text-Chunks zu bestimmen?	Die Kosinus-Ähnlichkeit (Cosine Similarity).
Was bedeutet ein Kosinus-Ähnlichkeitswert nahe 1.0?	Die Vektoren sind sehr ähnlich, was auf eine hohe Relevanz hindeutet.
Wie wird die Kosinus-Distanz definiert und wie wird sie interpretiert?	Kosinus-Distanz = 1 - Kosinus-Ähnlichkeit. Werte nahe 0 bedeuten hohe Ähnlichkeit.
Was ist der letzte Schritt im RAG-Prozess, nachdem relevante Text-Chunks gefunden wurden?	Die Benutzeranfrage und der relevante Text-Chunk werden in den Prompt für das LLM eingefügt.