Wat is het doel van de RAG-workflow?	Het vinden van relevante documenten om een antwoord op een gebruikersvraag te genereren.
Wat is de eerste stap in het RAG-proces?	Het tekstbestand lezen en het tekstblokken (chunks) opdelen per sectie.
Wat gebeurt er met elk tekstblok (chunk) in stap 2?	Er wordt een embedding gegenereerd voor elk chunk.
Waarom moet de originele tekst van een chunk worden opgeslagen in de vector store?	De embedding zelf is niet zinvol; de bijbehorende tekst is nodig voor de uiteindelijke output.
Wat is de taak in stap 4 wanneer een gebruiker een vraag stelt?	Er wordt een embedding gegenereerd voor de gebruikersvraag (user embedding).
Hoe worden relevante documenten opgezocht in de vector store?	Door de user embedding te gebruiken om de store te doorzoeken (`store.search`).
Welke twee stukken informatie worden geretourneerd bij het zoeken naar relevante documenten?	De documentinhoud (content) en de afstand (distance, bijv. cosinusafstand).
Wat moet er in stap 3 gebeuren met de chunks en embeddings?	Ze moeten worden gepaard en vervolgens in de vector store worden opgeslagen.