Wie wird der Text im ersten Schritt des RAG-Flow implementiert?	Der Text wird nach Abschnitten (by section) in Chunks zerlegt.
Was ist der Zweck der Funktion `generate embedding` in Schritt 2?	Sie erstellt einen Vektor (Embedding) für jeden Text-Chunk.
Was wird in Schritt 3 in den Vektor-Store eingefügt?	Paare aus den Chunks und deren zugehörigen Embeddings.
Warum wird der ursprüngliche Text-Chunk zusammen mit dem Embedding gespeichert?	Um bei der späteren Abfrage den tatsächlichen, lesbaren Inhalt zurückerhalten zu können.
Was ist der erste Schritt, wenn ein Benutzer eine Frage stellt (Schritt 4)?	Erstellung eines Embeddings für die Benutzerfrage (User Embedding).
Wie wird in Schritt 5 die Relevanz der Dokumente zur Benutzerfrage ermittelt?	Durch die Suche im Vektor-Store mit dem User Embedding.
Welche Parameter werden bei der Suche im Vektor-Store verwendet, um die besten Ergebnisse zu erhalten?	Das User Embedding und die gewünschte Anzahl der relevanten Chunks (z.B. top 2).
Welche Metrik wird nach der Suche verwendet, um die Relevanz der gefundenen Chunks zu bewerten?	Die Distanz (z.B. Cosine Distance).