RAG（Retrieval-Augmented Generation）流程的最终目标是什么？	利用外部知识源来增强大型语言模型（LLM）的回答能力。
在RAG流程中，第一步需要对原始文档进行什么操作？	将原始文档切分成独立的文本块（Text Chunking）。
文本嵌入（Text Embeddings）在RAG流程中扮演什么角色？	将文本内容转化为高维度的数值向量，捕捉文本的语义信息。
向量归一化（Normalization）的目的是什么？	将每个向量的长度（模）缩放到 1.0，以便进行有效的相似度计算。
向量数据库（Vector Database）的主要功能是什么？	专门优化存储、比较和快速检索高维向量。
在RAG流程中，如何找到与用户查询最相关的文本块？	通过计算用户查询向量与数据库中所有存储向量的相似度。
衡量向量相似度的常用数学指标是什么？	余弦相似度（Cosine Similarity）。
余弦相似度接近 1.0 代表什么？	两个向量在语义上非常相似。
余弦距离（Cosine Distance）是如何定义的？	它是 1 减去余弦相似度（1 - Cosine Similarity）。
在RAG流程的最后一步，最终发送给LLM的提示词（Prompt）包含哪些内容？	用户原始查询和从数据库中检索到的最相关文本块。