RAG 流程的整体目标是什么？	将原始文档转化为可检索的知识，并结合用户查询生成准确答案。
在 RAG 流程的第一步，需要对源文档进行什么操作？	将其分割成独立的文本块（Text Chunking）。
文本嵌入（Text Embeddings）的作用是什么？	将文本转化为高维度的数值向量，捕捉文本的语义信息。
向量归一化（Normalization）的目的是什么？	将每个向量的长度（magnitude）缩放到 1.0。
向量数据库（Vector Database）的主要功能是什么？	优化存储、比较和查找大量数值向量（Embeddings）。
当用户提出查询时，查询需要经过哪些步骤才能在向量数据库中搜索？	运行相同的嵌入模型生成查询向量，并进行归一化。
在向量数据库中，如何判断两个向量的相似度？	使用余弦相似度（Cosine Similarity），计算两个向量夹角的余弦值。
余弦相似度（Cosine Similarity）的值在 1 和 -1 之间，接近 1 代表什么？	表示两个向量（文本块和查询）具有高度相似性。
余弦距离（Cosine Distance）是如何定义的？	余弦距离等于 1 减去余弦相似度（1 - Cosine Similarity）。
在 RAG 流程的最后一步，检索到的文本块如何被使用？	将查询和最相关的文本块一起放入提示词（Prompt）发送给大型语言模型（LLM）。