Wat zijn de vijf stappen van de RAG-workflow die in de transcript worden geïmplementeerd?	1. Chunking, 2. Embedding genereren, 3. Vector store instantiëren/opslaan, 4. Vraag embedden, 5. Zoeken in de store.
Hoe wordt de tekst in Stap 1 van de RAG-workflow verwerkt?	De tekst wordt opgesplitst (chunked) per sectie.
Wat is het doel van Stap 2 in de RAG-workflow?	Het genereren van een embedding voor elk tekstchunk.
Waarom wordt bij het opslaan in de vector database niet alleen de embedding opgeslagen?	Omdat de embedding zelf geen betekenis heeft; de bijbehorende tekst (chunk content) is nodig voor de uiteindelijke output.
Hoe worden chunks en embeddings gecombineerd voordat ze in de vector store worden geplaatst?	Ze worden gezip'd (gekoppeld) en vervolgens ingevoerd via `store add vector`.
Wat is de actie die wordt ondernomen wanneer een gebruiker een vraag stelt (Stap 4)?	Er wordt een embedding gegenereerd voor de gebruikersvraag (`user embedding`).
Welke methode wordt gebruikt om relevante documenten in de vector store te vinden (Stap 5)?	`result_store.search`.
Welk argument wordt gebruikt in de zoekmethode om het aantal meest relevante chunks te specificeren?	Het argument `k` (of het tweede argument in de functie).