Wat RAG oplost (kennisafkapdatum, hallucinaties)
RAG haalt tijdens het uitvoeren van een query relevante context op, zodat de LLM echte bronnen citeert in plaats van feiten te verzinnen.
Wat RAG oplost (kennisafkapdatum, hallucinaties) is een gratis AI-agenten-les op CoddyKit. Dit is les 1 van 4. Je kunt de volledige les hieronder gratis lezen en daarna in de browser praktisch oefenen met een ingebouwde code-editor en een AI-begeleider die 24/7 beschikbaar is. Deze les maakt deel uit van het leertraject AI-agenten. Je voortgang wordt gesynchroniseerd op het web en in de CoddyKit-app. De cursus AI-agenten bevat in totaal 4 lessen.
Twee problemen met gewone LLM's
Zelfs de beste LLM's hebben twee structurele problemen:
- Kennisafsluitdatum — ze kennen alleen wat in hun trainingsgegevens stond. Vraag GPT-4 naar een gebeurtenis van gisteren en het weet van niets.
- Hallucinatie — als het model iets niet weet, verzint het vol vertrouwen iets.
Wat RAG is
Genereren met retrieval-ondersteuning (RAG) betekent:
- Zoek in een kennisbank naar relevante fragmenten
- Stop die fragmenten in de prompt
- Vraag de LLM om ALLEEN met die fragmenten te antwoorden
Het model wordt een "lezer" van externe kennis in plaats van te vertrouwen op zijn bevroren gewichten.
Een concreet voorbeeld
Gebruiker: "Wat is ons retourbeleid voor geopende elektronica?"
- Zoek in de bedrijfskennisbank naar "retourbeleid elektronica" — haal 3 alinea's uit de helpdocumentatie
- Stel de prompt samen: "Beantwoord dit met de onderstaande context: ..."
- Het model geeft een getrouw antwoord met bronverwijzingen
Waarom RAG beter is dan fijn afstellen
Voor feitelijke kennis is RAG beter dan fijn afstellen, omdat:
- Je de kennisbank kunt bijwerken zonder opnieuw te trainen
- Gegevens per gebruiker of tenant eenvoudig gescheiden blijven
- Bronverwijzingen mogelijk zijn (je weet WELK fragment het antwoord heeft opgeleverd)
- Het goedkoper te onderhouden is
Waarom RAG hallucinaties vermindert
Als het model de instructie krijgt om ALLEEN vanuit de gegeven context te antwoorden en die context de waarheid bevat, is de kans veel groter dat het antwoord klopt dan wanneer het op zijn geheugen vertrouwt.
Het is niet perfect — modellen verzinnen nog steeds af en toe iets — maar het vermindert hallucinaties sterk.
De drie fasen
Elk RAG-systeem heeft drie fasen:
- Inlezen (offline) — documenten opdelen, embedden en opslaan
- Ophalen (online) — zoekopdracht embedden en de beste K fragmenten vinden
- Genereren (online) — de LLM maakt met de opgehaalde fragmenten een antwoord
Naïeve RAG versus geavanceerde RAG
Naïeve RAG (prototype van 5 regels):
- Fragmenten met een vaste grootte
- Ophalen met één vector
- De beste K fragmenten in de prompt stoppen
Geavanceerde RAG voegt herordening, het herschrijven van zoekopdrachten, HyDE, meerdere vectoren en evaluatie toe — elk onderdeel verbetert de kwaliteit, maar verhoogt ook de complexiteit.
Wanneer RAG helpt
- Kennisbanken en documentatie van bedrijven
- Klantenondersteuning op basis van een producthandleiding
- Feitelijke vraag-en-antwoordsituaties met een lange staart
- Persoonlijke assistenten die met gebruikersgegevens werken
Wanneer RAG nadelig is
- Eenvoudige gesprekken (geen feiten nodig)
- Taken waarvoor redeneren nodig is, geen feiten
- Als het corpus klein genoeg is om toch volledig in de context te passen
De promptsjabloon
Een typische RAG-prompt ziet er zo uit:
prompt = f'''
Answer the user\'s question using ONLY the context below.
If the answer is not in the context, say 'I do not know'.
Context:
{retrieved_chunks}
Question:
{user_question}
Answer:
'''Bronverwijzingen
Geef fragmenten bron-ID's en vraag het model om die te citeren:
context = '\n'.join(
f'[doc {i+1}] {chunk.text}'
for i, chunk in enumerate(chunks)
)
# Then ask: 'Cite the relevant [doc N] for each claim.'Het doel van RAG
Welk probleem pakt RAG voornamelijk aan?
Samenvatting
RAG verandert LLM's in deelnemers aan een openboektoets. Hierna leer je hoe je documenten daadwerkelijk in fragmenten opdeelt om ze te kunnen ophalen.
Leer AI-agenten met een AI-tutor — gratis
Schrijf echte code en voer die uit in je browser, krijg direct hulp van een AI-tutor die 24/7 beschikbaar is en ga verder waar je gebleven bent op het web of in de app.
- Cursussen
- 60
- Lessen
- 239
Veelgestelde vragen
Is de les “Wat RAG oplost (kennisafkapdatum, hallucinaties)” gratis?
Ja — de volledige tekst van “Wat RAG oplost (kennisafkapdatum, hallucinaties)” kun je hier gratis op het web lezen. Als je interactief wilt oefenen met een ingebouwde code-editor en een AI-begeleider die 24/7 beschikbaar is, en de rest van de cursus AI-agenten wilt ontgrendelen, kun je upgraden naar CoddyKit PRO. De cursus AI-agenten bevat in totaal 4 lessen.
Wat leer ik in “Wat RAG oplost (kennisafkapdatum, hallucinaties)”?
RAG haalt tijdens het uitvoeren van een query relevante context op, zodat de LLM echte bronnen citeert in plaats van feiten te verzinnen. Je oefent met AI-agenten door code rechtstreeks in de browser uit te voeren. Een AI-begeleider die 24/7 beschikbaar is beantwoordt je vragen terwijl je de les doorwerkt.
Heb ik ervaring nodig om met AI-agenten te beginnen?
Ervaring vooraf is niet nodig. AI-agenten op CoddyKit is opgebouwd voor beginners tot gevorderden, zodat je hier of bij het begin kunt starten en in je eigen tempo kunt leren. Dit is les 1 van 4.
Hoe lang duurt de les “Wat RAG oplost (kennisafkapdatum, hallucinaties)”?
De meeste lessen van CoddyKit duren ongeveer 5–10 minuten. Elke les is kort en interactief, zodat je gestaag vooruitgaat en op het web en in de app precies verdergaat waar je was gebleven.
Kan ik code schrijven en uitvoeren in deze les over AI-agenten?
Ja. Elke les over AI-agenten bevat een ingebouwde code-editor, zodat je rechtstreeks in je browser echte code kunt schrijven en uitvoeren en direct feedback van AI krijgt — lokale installatie is niet nodig.
Alle lessen in deze cursus
- Wat RAG oplost (kennisafkapdatum, hallucinaties)
- Chunkingstrategieën (vast, per zin, semantisch)
- Een documentverzameling indexeren
- Een eenvoudige RAG bouwen met FAISS of Chroma