Quelles sont les cinq étapes du flux RAG (Retrieval-Augmented Generation) implémenté ?	1. Chunking, 2. Création d'embeddings, 3. Création du Vector Store, 4. Embedding de la requête utilisateur, 5. Recherche de documents pertinents.
Quel type de fonction de découpage (chunking) est utilisé dans l'exemple ?	Chunk by section.
Comment la fonction `generate embedding` gère-t-elle les entrées ?	Elle peut prendre soit une seule chaîne de caractères, soit une liste de chaînes de caractères.
Lors de la création du Vector Store, comment les chunks et les embeddings sont-ils insérés ?	Ils sont insérés en zippant les paires (chunk et embedding) et en utilisant `store add vector`.
Pourquoi est-il crucial d'inclure le texte original du chunk lors de son stockage ?	Pour que, lors de la recherche, on puisse récupérer le texte significatif associé à l'embedding, et non seulement le vecteur.
Que doit-on faire pour préparer la question d'un utilisateur pour la recherche ?	Générer un embedding pour cette question (user embedding) en utilisant `generate embedding`.
Comment spécifie-t-on le nombre de documents pertinents à récupérer lors de la recherche dans le Vector Store ?	En passant un argument (comme `k=2`) à la méthode `store.search`.