Was ist der nächste Schritt in einer RAG-Pipeline nach der Extraktion von Text-Chunks?	Warten auf die Eingabe einer Benutzerfrage oder eines Queries.
Welches grundlegende Problem muss gelöst werden, um relevante Text-Chunks für eine Benutzerfrage zu finden?	Das Problem der Suche (Search Problem).
Wie wird dieses Suchproblem in einer RAG-Pipeline typischerweise implementiert?	Durch semantische Suche (Semantic Search).
Welches Werkzeug nutzt die semantische Suche, um den Inhalt von Text-Chunks zu verstehen?	Text-Embeddings.
Was ist ein Text-Embedding?	Eine numerische Darstellung der Bedeutung, die in einem Text enthalten ist.
Welches Modell ist dafür verantwortlich, Text-Embeddings zu generieren?	Ein Embedding-Modell (z. B. Titan embed text V2).
Wie sollte man die einzelnen Zahlen innerhalb eines Embeddings konzeptionell interpretieren?	Als Scores verschiedener Qualitäten oder Attribute des Eingabetextes.
Wie lang ist ein Standard-Embedding-Vektor (Standardlänge)?	1024 Elemente.