Was ist der erste Schritt im RAG-Workflow?	Das Text-Dokument in Abschnitte (Chunks) zerlegen (Chunking).
Was wird in Schritt 2 für jeden Text-Chunk durchgeführt?	Ein Embedding (Vektor) für den jeweiligen Chunk generieren.
Was wird in den Vektor-Store gespeichert?	Das generierte Embedding zusammen mit den zugehörigen Chunk-Informationen (z.B. Originaltext).
Warum ist es wichtig, den Originaltext oder eine ID zusammen mit dem Embedding zu speichern?	Um nach der Suche den relevanten, lesbaren Text zurückzuholen.
Was ist der Zweck der Generierung eines Embeddings für die Benutzeranfrage?	Die Frage in einen Vektor umzuwandeln, um sie im Vektor-Store suchen zu können.
Wie findet man im Vektor-Store die relevantesten Dokumente?	Durch die Suche (`search`) mit dem Query-Embedding und Angabe der gewünschten Anzahl der Ergebnisse.
Was ist das Ziel des gesamten RAG-Prozesses?	Relevante Informationen aus einem großen Dokumentensatz zu finden und sie für eine Antwort zu nutzen.