Was ist der Hauptzweck der RAG-Pipeline?	Um externe Wissensquellen zu nutzen, um präzisere und faktenbasierte Antworten auf Benutzeranfragen zu generieren.
Was ist der erste Schritt bei der Verarbeitung eines Quelldokuments in RAG?	Das Dokument in kleinere, handhabbare Textstücke (Chunks) zerlegen (Text Chunking).
Was ist ein Text-Embedding?	Eine numerische Darstellung eines Textes, die dessen semantische Bedeutung erfasst.
Was bewirkt der Schritt der Normalisierung von Vektoren?	Er skaliert die Größe (Magnitude) jedes Vektors auf einen Wert von 1.0.
Wofür wird eine Vektendatenbank (Vector Database) verwendet?	Um Vektoren zu speichern, zu vergleichen und nach semantischer Ähnlichkeit abzufragen.
Was muss mit einer Benutzeranfrage (Query) geschehen, bevor sie in die Vektendatenbank eingegeben wird?	Die Anfrage muss durch denselben Embedding-Modellprozess in einen Vektor umgewandelt werden.
Welche mathematische Methode wird verwendet, um die Ähnlichkeit zwischen der Query und den gespeicherten Chunks zu messen?	Die Kosinus-Ähnlichkeit (Cosine Similarity).
Welchen Wertebereich hat die Kosinus-Ähnlichkeit und was bedeutet ein Wert nahe 1?	Der Bereich ist -1 bis 1; ein Wert nahe 1 bedeutet eine sehr hohe Ähnlichkeit.
Wie wird die Kosinus-Distanz berechnet und was bedeutet ein Wert nahe 0?	Sie wird als 1 minus die Kosinus-Ähnlichkeit berechnet; ein Wert nahe 0 bedeutet hohe Ähnlichkeit.
Was ist der letzte Schritt im RAG-Prozess nach der Abfrage?	Die ursprüngliche Benutzeranfrage wird zusammen mit dem relevantesten Text-Chunk an das Large Language Model (LLM) gesendet.