RAG流程（Retrieval-Augmented Generation）主要包含哪五个步骤？	文本分块、生成嵌入、创建向量存储、生成用户查询嵌入、搜索相关文档。
在RAG流程的第一个步骤中，文本是如何被处理的？	使用“按章节分块”（chunk by section）函数对原始文本进行分块。
在RAG流程的第二步中，需要对每个文本块执行什么操作？	调用“生成嵌入”（generate embedding）函数，为每个文本块创建嵌入向量。
在将数据存入向量存储（Vector Store）时，除了嵌入向量，还需要存储什么信息？	原始文本块的内容（Original chunk content）或其ID。
为什么在向量数据库中需要存储原始文本块的内容？	因为嵌入向量本身对开发者没有直接意义，需要原始文本才能在后续查找时提供最终答案。
当用户提出问题时，RAG流程的第四步需要执行什么操作？	对用户的问题调用“生成嵌入”函数，生成用户嵌入（User Embedding）。
在RAG流程的第五步中，如何从向量存储中检索最相关的文档？	使用用户嵌入调用存储的搜索功能（如 `result_store.search`），并指定要返回的相关块数量（k）。