RAG (Retrieval-Augmented Generation) पाइपलाइन का मुख्य उद्देश्य क्या है?	यह टेक्स्ट चंकिंग, टेक्स्ट एम्बेडिंग और डेटाबेस सर्च को मिलाकर एक संपूर्ण प्रक्रिया बनाता है।
RAG पाइपलाइन का पहला चरण क्या है?	स्रोत दस्तावेज़ (Source Document) को छोटे-छोटे टेक्स्ट टुकड़ों में विभाजित करना, जिसे 'टेक्स्ट चंकिंग' (Text Chunking) कहते हैं।
टेक्स्ट एम्बेडिंग (Text Embeddings) क्या हैं?	यह एक प्रक्रिया है जो टेक्स्ट के टुकड़ों को संख्यात्मक वैक्टर (numerical vectors) में बदलती है, जिससे उनके अर्थ को मापा जा सके।
एम्बेडिंग के बाद 'नॉर्मलाइज़ेशन' (Normalization) क्यों किया जाता है?	यह प्रत्येक वेक्टर की परिमाण (magnitude) को 1.0 तक स्केल करता है, जिससे वे एक यूनिट सर्कल पर स्थित होते हैं।
वेक्टर डेटाबेस (Vector Database) का क्या कार्य है?	यह एक विशेष डेटाबेस है जो एम्बेडिंग जैसे लंबी संख्यात्मक सूचियों को स्टोर करने, तुलना करने और खोजने के लिए ऑप्टिमाइज़ किया गया है।
उपयोगकर्ता के प्रश्न (User Query) को RAG पाइपलाइन में कैसे संसाधित किया जाता है?	उपयोगकर्ता के प्रश्न को भी एम्बेडिंग मॉडल के माध्यम से वैक्टर में बदला जाता है और फिर वेक्टर डेटाबेस में खोज के लिए भेजा जाता है।
दो एम्बेडिंग के बीच समानता (Similarity) मापने के लिए किस गणित का उपयोग किया जाता है?	कोसाइन सिमिलैरिटी (Cosine Similarity) का उपयोग किया जाता है, जो -1 और 1 के बीच एक मान देता है।
कोसाइन सिमिलैरिटी और कोसाइन डिस्टेंस में क्या अंतर है?	कोसाइन सिमिलैरिटी समानता बताती है, जबकि कोसाइन डिस्टेंस कोसाइन सिमिलैरिटी का उल्टा (1 - Cosine Similarity) होता है, और यह 0 के करीब होने पर उच्च समानता दर्शाता है।
RAG पाइपलाइन का अंतिम चरण क्या है?	खोजे गए सबसे प्रासंगिक टेक्स्ट चंक को उपयोगकर्ता के प्रश्न के साथ प्रॉम्प्ट में जोड़कर LLM (जैसे Claude) को भेजा जाता है।