Was ist Retrieval Augmented Generation (RAG)?	Eine Technik, die es ermöglicht, externe Informationen (wie Dokumente) in den Prompt einzubringen, um die Antwort eines Sprachmodells zu verbessern.
Wie sieht die erste, einfache Methode zur Beantwortung von Fragen mit einem Dokument aus?	Das gesamte Dokument wird direkt in den Prompt eingefügt, zusammen mit der Benutzerfrage.
Was ist ein Hauptproblem der Methode, das gesamte Dokument in den Prompt zu geben?	Es gibt eine harte Textbegrenzung (Token Limit), und die Effektivität des Modells nimmt bei sehr langen Prompts ab.
Wie funktioniert RAG, um eine Frage zu beantworten?	Das Dokument wird in kleine Textabschnitte (Chunks) zerlegt, und nur die für die Frage relevanten Chunks werden in den Prompt aufgenommen.
Welcher Vorteil bietet RAG im Vergleich zur einfachen Methode?	RAG kann sehr große Dokumente verarbeiten und skaliert besser, da nur relevante Informationen verwendet werden.
Welche Vorteile hat RAG hinsichtlich der Prompt-Qualität und Kosten?	Es führt zu kleineren Prompts, was weniger Zeit und Kosten verursacht und die Fokussierung des Modells verbessert.
Was ist eine wesentliche Herausforderung bei der Implementierung von RAG?	Die erhöhte Komplexität, da ein Vorverarbeitungsschritt (Pre-processing) notwendig ist.
Was muss bei RAG definiert werden, um die Relevanz zu gewährleisten?	Wie die Texte in Chunks aufgeteilt werden (Chunking) und wie die Relevanz dieser Chunks zur Benutzerfrage ermittelt wird.