Wat is de eerste stap in het RAG-proces in dit voorbeeld?	Het tekstbestand opsplitsen (chunk) op basis van secties.
Wat is het doel van de tweede stap in de RAG-workflow?	Voor elk tekstfragment (chunk) een embedding genereren.
Wat wordt er in de vector store opgeslagen naast de embedding?	De originele tekst van het fragment (chunk) of een ID om terug te verwijzen.
Waarom is het cruciaal om de originele tekst op te slaan in de vector store?	Zodat de gebruiker de daadwerkelijke inhoud kan zien na een succesvolle retrieval.
Wat is de actie die wordt ondernomen wanneer een gebruiker een vraag stelt (Step 4)?	Een embedding genereren voor de gebruikersvraag (plain string).
Welke functie wordt gebruikt om relevante documenten te vinden in de vector store?	`result store.search()`.
Welke twee essentiële inputs zijn nodig voor de zoekopdracht in de vector store?	De gebruikersembedding en het gewenste aantal relevante chunks.
Wat geeft de `result store.search()` functie terug?	Een lijst met relevante documenten (chunks) en hun bijbehorende afstand (distance).
Wat is de naam van de klasse die de vector database implementeert in dit voorbeeld?	`vector index`.