Was ist der Zweck der RAG-Pipeline?	Um eine Antwort zu generieren, indem ein externes Wissensfundament (Source Documents) verwendet wird.
Was ist der erste Schritt bei der Verarbeitung von Quelldokumenten in RAG?	Text Chunking (Zerlegung des Dokuments in kleinere Textstücke).
Was ist das Ergebnis des Text-Embeddings?	Ein Vektor (eine Liste von Zahlen), der die semantische Bedeutung des Textes darstellt.
Was ist der Zweck der Normalisierung von Embeddings?	Die Skalierung der Vektor-Größe (Magnitude) auf 1.0.
Wo werden die generierten Embeddings gespeichert und abgelegt?	In einer Vektendatenbank (Vector Database).
Was passiert mit der Benutzeranfrage (Query) vor der Suche in der Vektendatenbank?	Die Anfrage wird durch denselben Embedding-Modellprozess wie die Dokumententeile geleitet.
Welche mathematische Methode wird verwendet, um die Ähnlichkeit zwischen der Query und den gespeicherten Embeddings zu messen?	Kosinus-Ähnlichkeit (Cosine Similarity).
Was bedeutet ein Kosinus-Ähnlichkeitswert nahe 1?	Die beiden Vektoren (Query und Chunk) sind sehr ähnlich.
Wie wird die Kosinus-Distanz definiert und wie wird sie interpretiert?	Kosinus-Distanz = 1 - Kosinus-Ähnlichkeit; Werte nahe 0 bedeuten hohe Ähnlichkeit.
Was wird im finalen Prompt zusammengeführt, bevor er an das Sprachmodell gesendet wird?	Die ursprüngliche Benutzeranfrage und der relevanteste Text-Chunk aus der Vektendatenbank.