Kennisbank · Agentic AI

RAG uitgelegd: zo laat je AI antwoorden uit je eigen documenten

Wat is RAG? Zo laat je AI antwoorden uit je eigen documenten: de vijf stappen, drie MKB-toepassingen, tools van NotebookLM tot n8n en de valkuilen.

Gepubliceerd Bijgewerkt 4 min leestijd

RAG retrieval augmented generation uitgelegd cover

Je hebt een AI-chatbot op je website, maar zodra een klant vraagt naar jouw leveringsvoorwaarden of de specificaties van je nieuwste product, gaat het mis. Logisch: een taalmodel kent het internet tot een bepaalde datum, niet jouw handboeken, prijslijsten en contracten. RAG lost dat op. Het staat voor Retrieval-Augmented Generation: de AI zoekt eerst de relevante stukken in jouw documenten op en schrijft pas daarna een antwoord.

Waarom een standaardmodel niet genoeg is

Een taalmodel heeft voor zakelijk gebruik drie beperkingen:

  • Kennisgrens: het weet niets van wat na de trainingsdatum is veranderd.
  • Geen bedrijfskennis: jouw producten, processen en afspraken staan niet in de trainingsdata.
  • Verzinnen: als het model iets niet weet, kan het een overtuigend klinkend maar fout antwoord geven.
  • RAG pakt alle drie aan zonder dat je een model opnieuw hoeft te trainen. Wanneer fine-tuning wél zinvol is, lees je in een apart artikel; voor kennisvragen is RAG bijna altijd de eerste keuze.

    Hoe RAG werkt in vijf stappen

  • 1. Opknippen (chunking): documenten worden verdeeld in stukken van een paar alinea's, het liefst langs logische grenzen zoals kopjes.
  • 2. Embedding: elk stuk wordt omgezet in een reeks getallen die de betekenis vastlegt. Meer daarover in embeddings en vector search.
  • 3. Opslaan: die vectoren gaan in een vectordatabase, zoals pgvector, Qdrant, Weaviate of Pinecone. Zie wanneer je een vectordatabase nodig hebt.
  • 4. Ophalen (retrieval): een vraag wordt ook een vector, en de database zoekt de stukken die qua betekenis het dichtst in de buurt komen. Veel systemen combineren dat met gewone trefwoordzoekacties, zodat productcodes en namen ook gevonden worden.
  • 5. Genereren: het model krijgt de vraag plus de gevonden stukken, met de instructie alleen op basis daarvan te antwoorden en de bron te noemen.
  • Drie toepassingen voor het MKB

    FAQ- en supportbot. Voed de bot met je FAQ, handleidingen en voorwaarden. Laat hem bij elk antwoord de bron tonen en doorverwijzen naar een collega als hij niets passends vindt. Zo voorkom je dat hij gaat gokken. Zie ook een AI-kennisbank voor je klantenserviceteam.

    Contractassistent. Vragen als "welke leverancier heeft de kortste opzegtermijn?" of "welke contracten lopen dit kwartaal af?" zijn lastig met zoeken op trefwoord. Met RAG krijg je een antwoord met verwijzing naar het artikel in het contract. Controleer belangrijke antwoorden altijd in het brondocument.

    Interne kennisbank. Koppel je wiki, Notion of SharePoint, zodat collega's in gewone taal kunnen vragen hoe een proces werkt. Respecteer daarbij de bestaande rechten: wie een document niet mag openen, mag het antwoord eruit ook niet zien.

    Bouwen of kant-en-klaar?

    Je hoeft niet altijd zelf een RAG-systeem te bouwen:

  • Kant-en-klaar: ChatGPT Projects, Claude Projects en Google NotebookLM laten je bestanden uploaden en daarop vragen stellen. Prima voor een team dat met een vaste set documenten werkt.
  • No-code: n8n en Flowise hebben bouwstenen voor vectoropslag en retrieval, zodat je zonder code documenten indexeert en een chatbot koppelt.
  • Code: LangChain en LlamaIndex zijn Python- en TypeScript-frameworks voor wie volledige controle wil over chunking, zoeken en evaluatie. Zie Flowise vs LangChain.
  • Wil je dat AI niet alleen leest maar ook live gegevens ophaalt uit je CRM of agenda, kijk dan naar MCP. RAG en MCP vullen elkaar aan.

    Waar RAG-projecten op stuklopen

  • Rommelige bronnen: verouderde of tegenstrijdige documenten geven verouderde of tegenstrijdige antwoorden. Ruim eerst op en wijs per bron een eigenaar aan.
  • Niet bijwerken: plan automatische herindexering zodra een document verandert.
  • Niet testen: stel een lijst van twintig tot vijftig echte vragen met het juiste antwoord op en draai die na elke wijziging opnieuw.
  • Privacy: staan er persoonsgegevens in je documenten, dan gelden de AVG-regels voor AI, ook voor de vectordatabase.
  • Conclusie

    RAG is de praktische brug tussen een algemeen taalmodel en jouw bedrijf. Begin klein met één goed onderhouden documentenset en een testlijst met vragen, laat de AI altijd zijn bron noemen, en breid pas uit als de antwoorden aantoonbaar kloppen.

    Veelgestelde vragen

    Wat is het verschil tussen RAG en fine-tuning?

    RAG geeft het model bij elke vraag de relevante stukken uit je documenten mee. Fine-tuning past het model zelf aan. Voor actuele bedrijfskennis is RAG meestal goedkoper en makkelijker bij te werken.

    Heb ik een vectordatabase nodig voor RAG?

    Voor een kleine set documenten volstaan tools als NotebookLM of Claude Projects. Bij grotere of steeds veranderende collecties is een vectordatabase zoals pgvector of Qdrant handig.

    Kan RAG nog steeds fouten maken?

    Ja, vooral bij verouderde of tegenstrijdige bronnen. Laat de AI altijd de bron noemen en test met een vaste lijst echte vragen.

    Gerelateerd

    Nieuwsbrief

    Wil je meer van dit?

    Elke week de beste agentic AI inzichten in je inbox.

    Gratis aanmelden →