RAG流程包含哪几个关键步骤？	读取文本、分块（Chunking）、生成嵌入（Embedding）、创建向量存储、检索相关文档。
在RAG流程的第一步，文本是如何处理的？	通过函数将文本按章节进行分块（Chunk by section）。
在RAG流程的第二步，需要对文本块执行什么操作？	对每一个文本块生成一个嵌入（Embedding）。
在创建向量存储（Vector Store）时，除了嵌入（Embedding），还需要存储什么？	原始文本内容（Chunk content）或原始块的ID。
为什么在向量存储中需要包含原始文本或ID？	因为检索到的嵌入本身没有意义，需要关联原始文本才能提供给用户。
当用户提出问题时，需要生成什么？	用户查询的嵌入（User embedding）。
在RAG流程的最后一步，如何找到相关的文档？	使用用户嵌入在向量存储中进行搜索（Search the store）。
搜索向量存储时，除了查询嵌入外，还需要提供什么参数？	想要检索的相关文档数量（例如，检索前2个最相关的块）。
在检索结果中，除了文档内容，通常还会看到什么指标？	文档与查询之间的距离（Distance），通常是余弦距离（Cosine distance）。