RAG 是什么技术的缩写？	Retrieval Augmented Generation（检索增强生成）。
将整个大型文档直接放入提示词（Prompt）的主要缺点是什么？	存在文本长度限制、模型理解效率降低以及处理时间长、成本高的问题。
RAG 解决大型文档问题的核心思路是什么？	将文档分割成小块（Chunks），并只检索与用户问题最相关的部分放入提示词。
在 RAG 流程中，第一步需要执行什么操作？	将原始文档拆分成小的文本块（Chunk）。
RAG 相比于直接输入全文，在效率和成本上有哪些优势？	提示词更小，处理速度更快，运行成本更低。
RAG 相比于传统方法，最大的技术挑战或缺点是什么？	增加了复杂性，需要预处理步骤和搜索机制来找到相关文本块。
在 RAG 中，如何定义或划分文本块（Chunk）？	可以将文本平均分割，也可以根据文档的标题（Headers）进行划分。
为什么说 RAG 并非完美解决方案？	仅包含相关文本块不一定能提供模型回答问题所需的所有完整上下文。
RAG 技术在处理哪些场景时具有显著的扩展性（Scalability）？	适用于处理非常庞大或包含多个文档的场景。