Welk probleem lost RAG op?
RAG lost het probleem op dat een AI-model de documenten van uw organisatie niet kent, of alleen een verouderd beeld van de wereld heeft. In plaats van het model opnieuw te trainen, geeft u het de juiste passages op het moment dat het antwoord geeft.
Stelt u zich een fictieve reisorganisatie met 50 medewerkers voor: Tidewater Travel. Het boekingsteam stelt steeds dezelfde vragen over een handboek van 90 pagina's met voorwaarden en procedures. Teamleider Leon probeerde een algemene chatbot: 'Kan een klant de naam van de hoofdreiziger 10 dagen voor vertrek wijzigen, en zijn daar kosten aan verbonden?' De chatbot gaf een stellig, algemeen antwoord over luchtvaartregels en kosten die Tidewater niet in rekening brengt. Het echte antwoord staat in paragraaf 4.2 van het handboek, dat de chatbot nooit heeft gezien.
Hoe werkt generatie op basis van opgehaalde informatie?
Generatie met opgehaalde informatie werkt in drie stappen: de passages ophalen die het relevantst zijn voor de vraag, ze aan de prompt toevoegen en het model vervolgens op basis daarvan een antwoord laten genereren. De begrippenlijst van Anthropic beschrijft hetzelfde idee: op het moment dat de vraag wordt gesteld, wordt relevante informatie uit een kennisbank opgehaald en samen met de oorspronkelijke vraag aan het model doorgegeven.
De term komt uit een onderzoeksartikel uit 2020 van Patrick Lewis en collega's. Daarin werd een taalmodel gecombineerd met een doorzoekbare index van documenten. De antwoorden bleken specifieker en feitelijker dan die van het model alleen.
1. Bereid de documenten voor
Het handboek wordt opgesplitst in stukken, bijvoorbeeld telkens één onderdeel of enkele alinea's, zodat een zoekopdracht een gerichte passage kan opleveren in plaats van het hele boek.
2. Indexeer ze op betekenis
Elk tekstfragment wordt omgezet in een embedding: een reeks getallen die de betekenis ervan weergeeft. Die wordt opgeslagen in een vectordatabase. AWS beschrijft deze stap als het omzetten van gegevens in numerieke weergaven, zodat ze aan vragen kunnen worden gekoppeld.
3. Haal informatie op
De vraag wordt op dezelfde manier omgezet en met de index vergeleken om de best passende tekstblokken te vinden. Veel systemen gebruiken daarnaast ook gewone zoekopdrachten op trefwoorden.
4. Vul de prompt aan
De hoogst gerangschikte tekstfragmenten worden in de prompt geplaatst, met een instructie zoals 'beantwoord de vraag uitsluitend op basis van deze passages en verwijs naar de paragraaf'.
5. Genereer
Het model schrijft het antwoord op basis van de aangeleverde tekst en citeert daarbij idealiter de gebruikte passages of verwijst ernaar.
Hoe ziet een antwoord met en zonder RAG eruit?
Zonder RAG: 'De meeste reisorganisaties staan naamswijzigingen toe tegen een vergoeding van ongeveer 50 tot 100 per persoon, afhankelijk van het beleid van de luchtvaartmaatschappij.' Dat klinkt behulpzaam, maar het is niet het beleid van Tidewater en niemand kan controleren waar het vandaan komt.
Met RAG: het systeem haalt paragraaf 4.2 en paragraaf 4.5 van het handboek op en het model antwoordt: 'Ja. Volgens paragraaf 4.2 kan de naam van de hoofdreiziger tot 7 dagen voor vertrek kosteloos worden gewijzigd. Paragraaf 4.5 vermeldt dat bij pakketreizen inclusief vlucht de luchtvaartmaatschappij eigen wijzigingskosten in rekening kan brengen, die het boekingssysteem toont. Bron: paragrafen 4.2 en 4.5 van het handboek.' Leon kan beide paragrafen openen en het antwoord binnen enkele seconden controleren. Als het handboek verandert, verandert het antwoord zodra de nieuwe versie is geïndexeerd.
Wanneer gebruikt u RAG en wanneer niet?
Gebruik RAG wanneer antwoorden uit een specifieke, veranderende verzameling documenten moeten komen en mensen de bron moeten kunnen zien. Het is geschikt voor beleidshandboeken, productdocumentatie, kennisbanken voor ondersteuning en contractverzamelingen. De begrippenlijst van Anthropic vermeldt dat het bijzonder nuttig is voor actuele informatie, domeinspecifieke kennis en expliciete bronvermelding.
RAG is niet de oplossing als de documenten klein genoeg zijn om rechtstreeks in de prompt te plakken, als de taak over stijl of opmaak gaat in plaats van feiten, of als de brondocumenten zelf onbetrouwbaar zijn. Het vervangt ook geen toegangsrechten: als een passage wordt opgehaald, kan het model die herhalen. Daarom moeten toegangscontroles plaatsvinden voordat informatie wordt opgehaald.
Wat kan er misgaan bij generatie op basis van opgehaalde informatie?
Bij RAG gaat het meestal mis bij het ophalen van informatie, niet bij het genereren: als de verkeerde passage wordt gevonden, schrijft het model op basis daarvan een zelfverzekerd antwoord. Anthropic merkt op dat de effectiviteit van RAG afhangt van de kwaliteit en relevantie van de kennisbank en de opgehaalde informatie.
Verkeerd of onvolledig tekstfragment
De passage met de uitzondering staat in een ander tekstblok dan de regel, waardoor de uitzondering in het antwoord ontbreekt.
Verouderde of dubbele versies
Het handboek van vorig jaar staat nog steeds naast dat van dit jaar in de index, en de oude versie wordt opgehaald.
Model wijkt af van de tekst
Het model vermengt opgehaalde tekst met zijn algemene kennis. Instructies om uitsluitend op basis van de bronnen te antwoorden en zichtbare bronverwijzingen maken dit makkelijker te herkennen.
Er bestaat geen goed antwoord
Het systeem moet aangeven dat de documenten geen antwoord op de vraag bevatten, in plaats van te gokken.
Waar past RAG in het lesaanbod van Tosheo.ai?
Generatie met opgehaalde informatie valt onder de categorie AI-apps bouwen in de cursus AI-apps bouwen. Deze les behandelt de concepten voor iedereen die werkt met AI-assistenten op basis van bedrijfsdocumenten. In het programmeertraject na aanmelding bouwt u zelf een kleine RAG-app, van het opsplitsen van documenten en het maken van vectorrepresentaties tot het ophalen van informatie en antwoorden met bronverwijzingen, met feedback op basis van beoordelingscriteria bij elke stap.
Bronnen en reikwijdte
Documentatie van Anthropic Claude, bronvermeldingsfunctie (gecontroleerd op 19 October 2026) ↗