Quelles sont les étapes principales du flux RAG (Retrieval-Augmented Generation) démontré ?	1. Chunking, 2. Génération d'embeddings, 3. Création du Vector Store, 4. Embedding de la requête utilisateur, 5. Recherche de documents.
Quel est l'objectif de l'étape 1 du flux RAG ?	Découper (chunk) le texte source en sections gérables.
Quelle fonction est utilisée à l'étape 2 pour traiter les morceaux de texte ?	`generate_embedding` (pour créer un embedding pour chaque chunk).
Lors de l'insertion d'un vecteur dans le Vector Store (étape 3), que doit-on inclure en plus de l'embedding ?	Le contenu original du chunk ou son identifiant (ID).
Pourquoi est-il crucial d'inclure le contenu original du chunk lors du stockage ?	Pour pouvoir lier l'embedding récupéré à un texte significatif lors de la recherche.
Que se passe-t-il avec la question de l'utilisateur à l'étape 4 ?	Elle est transformée en un embedding utilisateur via `generate_embedding`.
Quelle méthode est utilisée à l'étape 5 pour trouver les documents pertinents ?	La méthode `results_store.search` en passant l'embedding utilisateur.
Comment spécifie-t-on le nombre de chunks les plus pertinents à récupérer lors de la recherche ?	En passant un argument spécifiant le nombre désiré à la fonction de recherche.
Quel indicateur est affiché pour évaluer la pertinence des documents récupérés ?	La distance cosinus (cosine distance).