Was bedeutet die Abkürzung RAG?	Retrieval Augmented Generation
Was ist das grundlegende Problem, das RAG löst?	Wie man spezifische Informationen aus sehr großen Dokumenten in ein LLM (z.B. Claude) bekommt, um Fragen zu beantworten.
Was ist der Hauptnachteil von Option 1 (ganzes Dokument in den Prompt)?	Es gibt eine harte Begrenzung der Textmenge (Context Window) und die Effektivität des LLMs nimmt bei zu langen Prompts ab.
Was ist der erste Schritt im RAG-Prozess?	Das gesamte Dokument in kleine Textabschnitte (Chunks) zerlegen.
Was passiert im zweiten Schritt von RAG, wenn eine Frage gestellt wird?	Die Frage wird analysiert, um den relevantesten Text-Chunk aus dem Dokument zu finden.
Was ist ein wesentlicher Vorteil von RAG im Vergleich zu Option 1?	Es ermöglicht, sehr große Dokumente zu verarbeiten, da nur relevante, kleine Chunks in den Prompt aufgenommen werden.
Warum ist RAG kosteneffizient?	Es führt zu viel kleineren Prompts, was die Verarbeitungszeit und die Kosten reduziert.
Nennen Sie eine technische Herausforderung bei der Implementierung von RAG.	Die Notwendigkeit eines komplexen Vorverarbeitungsprozesses (Pre-processing) und eines Suchmechanismus.
Was ist ein Risiko bei der Chunk-Auswahl im RAG-Prozess?	Es gibt keine Garantie, dass die ausgewählten Chunks alle notwendigen Kontextinformationen enthalten, um die Frage vollständig zu beantworten.
Nennen Sie zwei verschiedene Methoden zur Definition eines Text-Chunks.	Gleichmäßige Aufteilung des Textes oder Aufteilung basierend auf Überschriften (Headers).