Was ist der Zweck des RAG-Workflows?	Um relevante Dokumentensegmente (Chunks) für eine Benutzeranfrage abzurufen und die Antwort zu verbessern.
Was ist der erste Schritt im RAG-Workflow?	Das Text-Chunking (z.B. nach Sektionen).
Was wird in Schritt 2 für jedes Chunk erstellt?	Ein Embedding (Vektor-Repräsentation).
Was wird in Schritt 3 in den Vektor-Store eingefügt?	Paare aus Embeddings und den zugehörigen Chunk-Inhalten.
Warum speichert man den Originaltext zusammen mit dem Embedding im Vektor-Store?	Um nach der Suche den tatsächlichen, lesbaren Inhalt abrufen zu können.
Was wird mit der Benutzerfrage in Schritt 4 gemacht?	Ein Benutzer-Embedding generiert.
Welcher Schritt dient dazu, relevante Dokumente zu finden?	Der Suchvorgang im Vektor-Store (Search).
Was ist das Ziel des Suchvorgangs in Schritt 5?	Die relevantesten Chunks basierend auf dem Benutzer-Embedding zu identifizieren.
Was kann man beim Suchen im Vektor-Store festlegen?	Die Anzahl der relevantesten Ergebnisse (z.B. Top K).