RAG（检索增强生成）流程主要整合了哪三个核心技术？	文本分块（Text Chunking）、文本嵌入（Text Embeddings）和向量数据库（Vector Database）。
在RAG流程的预处理阶段，文本分块（Text Chunking）的作用是什么？	将原始文档分割成较小的、可独立处理和嵌入的文本片段。
文本嵌入（Text Embeddings）的作用是什么？	将文本内容转换成高维度的数值向量，以捕捉其语义信息。
向量归一化（Normalization）的目的是什么？	将每个向量的模（magnitude）缩放到1.0，确保所有向量的长度一致。
向量数据库（Vector Database）的主要功能是什么？	专门优化用于存储、比较和快速查找大量高维向量。
在RAG流程中，如何找到与用户查询最相关的文本块？	通过计算用户查询向量与数据库中所有存储向量的相似度。
衡量两个向量之间相似度的数学指标是什么？	余弦相似度（Cosine Similarity）。
余弦相似度（Cosine Similarity）的结果范围是多少？	在-1到1之间。
余弦距离（Cosine Distance）是如何定义的？	$1 - \text{余弦相似度}$。
在RAG流程的最后一步，检索到的文本块是如何被使用的？	将用户查询和检索到的相关文本块一起放入提示词（Prompt）发送给大语言模型（LLM）。