--- title: "RAG versus fine-tuning versus agents | Lookup, gewichten, werker | Len P. van der Hof" description: RAG zoekt een benoemde passage op. Fine-tuning verandert gewichten voor een stabiele vaardigheid. Een agent houdt een doel vast onder een charter. Drie… image: "https://lenvanderhof.com/media/generated/blog-hero-rag-vs-finetune-vs-agents-v1.86b37f8dd3d7.wide.webp" --- [AI-systemen](https://lenvanderhof.com/nl/blog/categorie/ai-systemen/) Onderzoeksartikel # RAG versus fine-tuning versus agents: drie klussen, geen ladder Een vector store is geen getraind model. Een getraind model is geen werker. Een werker zonder plafond is een demo. Len P. van der HofGepubliceerd 3 september 2026Bijgewerkt 25 september 20266 min. leestijd Lookup. Gewichten. Werker. Drie banken. Direct antwoord RAG, fine-tuning en agents zijn drie klussen. RAG, retrieval-augmented generation, zoekt een benoemde passage op in een corpus dat je het gaf, en schrijft daarna. Fine-tuning verandert modelgewichten zodat een stabiele vaardigheid activeert zonder een document op te halen. Een AI-agent houdt een doel vast, gebruikt gereedschappen en gaat door met stappen onder een geschreven charter. Ze zijn geen ladder van verfijning. Fine-tuning zorgt er niet voor dat het model de pdf van dinsdag kent. RAG geeft het model geen plafond. Een agent die geen bron kan openen heeft nog steeds retrieval of een weigering nodig. Wat is RAG behandelt de methode. Wat is een AI-agent behandelt de werker. Deze pagina is de vergelijking. De RAG-engineer is live. Win-rates van fine-tuning staan hier niet. ## Belangrijkste inzichten - RAG = benoemde passage. Fine-tuning = gewichten. Agent = doel plus gereedschappen plus een plafond. - Geen ladder. Kies de klus die zakte, niet de slide die in de mode is. - Fine-tuning is geen bron van waarheid. RAG is geen charter. - Deze pagina is de drieweg. De definitiepagina's blijven ernaast. Een chatbot kan een API-sleutel erven en de bron achter zijn zin nog steeds niet openen. Daarom moeten **RAG, fine-tuning en agents** op klus worden gescheiden, niet op status. **RAG versus fine-tuning versus agents.** Drie klussen. Geen volwassenheidsmodel. Alle drie doen mag. Ze op een ladder zetten omdat een slide zei “eerst RAG, dan fine-tunen, dan agents” is hoe je een retainer koopt en het bestand nog steeds niet kunt openen. [Wat is RAG?](https://lenvanderhof.com/nl/blog/wat-is-rag/) behandelt de lookup. [Wat is een AI-agent?](https://lenvanderhof.com/nl/blog/wat-is-een-ai-agent/) behandelt de werker. Deze pagina is de vergelijking: welk artefact je vrijdag in handen hoort te hebben. ## Drie artefacten **RAG.** Retrieval-augmented generation. Zoek een benoemde passage op in een corpus dat je het systeem gaf, schrijf daarna. Het artefact is een locator die je kunt openen: bestand, pagina, chunk, datum. Kun je hem niet openen, dan heb je geen RAG. Je hebt extra tekst in een prompt. [Evalueer de redenering, niet de vloeiendheid](https://lenvanderhof.com/nl/blog/evalueer-de-redenering-niet-de-vloeiendheid/) is dezelfde test, gescoord op het spoor in plaats van op het proza. Een vector store is meubilair in die kast. Embeddings helpen kandidaten vinden. Ze bewijzen niet dat de zin uit een passage komt die je in een geschil zou accepteren. **Fine-tuning.** Een gewichtswijziging zodat een stabiele vaardigheid activeert zonder een document op te halen: een toon, een format, een classifier die niet elke dinsdag beweegt. Het artefact is een getraind checkpoint met een eval die op held-out cases nog houdt. Fine-tuning zorgt er niet voor dat het model het contract van vorige week kent. Een gewijzigde pdf is een retrievalprobleem. Fine-tuning als archiefkast behandelen is de reden dat oude clausules een modelupgrade overleven. Heeft de vaardigheid nog steeds een benoemd bestand nodig, dan kijk je niet naar een fine-tuneklus. Je kijkt naar een lookup die je in gewichten probeerde te bakken. **Agent.** Een systeem dat een doel vasthoudt, gereedschappen gebruikt en doorgaat onder een charter. Het artefact is zeven geschreven velden en een benoemd persoon die het werk kan afkeuren. [AI-agents effectief inzetten](https://lenvanderhof.com/nl/blog/ai-agents-effectief-inzetten/) is de operationele lus zodra de werker bestaat. Een agent mag retrieval als tool *aanroepen*. Dat maakt de agent niet tot RAG, en het vervangt de lookup-test niet. Een agent zonder plafond is een demo die kan uitgeven. ## Eén object, drie banken Haal één vraag door de drie banken. Sla de bank die zakte niet over. Iemand vraagt: hoeveel dagen opzegtermijn hebben we nodig om het leverancierscontract te beëindigen? Een chatbot antwoordt uit folklore. Het getal kan zelfs een gangbaar getal zijn. Het is niet *jouw* clausule. Die chat een API-sleutel geven maakt het getal niet waar. Fine-tuning kan het model leren in huisstijl te antwoorden, of een JSON-object uit te spugen met `dagen`, `clausule` en `zekerheid`. Bruikbaar. In de gewichten zit het getekende addendum van dinsdag nog steeds niet. Fine-tunde je op de pdf van vorig jaar, dan is de nette JSON het getal van vorig jaar. RAG zoekt in de getekende contracten die je indexeerde, vindt artikel 12.3, en het antwoord noemt dat artikel. Je kunt het bestand openen. Is het bestand de conceptversie van vorig jaar, dan zie je dat ook. Dat is het hele voordeel. Een agent is een andere klus. “Regel deze week de opzegging, met de sheet en de mailtool, en stop als legal de brief niet heeft getekend” is een agent, maar alleen als iemand die stop heeft geschreven. De agent heeft nog steeds retrieval nodig, of een weigering, voordat hij de brief opstelt. Een werker die de bron niet kan openen, is nog steeds een chatbot met extra gereedschap. Drie andere objecten, zodat de splitsing niet in contracten blijft hangen. **Ticketsoort.** “Is dit facturatie, storing of een featurerequest?” Een classifier die geen document nodig heeft is een kandidaat voor fine-tuning. De eval is held-out tickets, geen vector store. **Wekelijks handboek.** “Wat is vandaag het restitutievenster?” Het handboek beweegt. Dat is RAG, of een weigering. Het oude handboek in het model fine-tunen is hoe een dode policy een lancering overleeft. **Achterstallige facturen.** “Ga deze week achter onbetaalde facturen aan, alleen concept, geen nieuwe korting.” Dat is een agent onder een charter. Retrieval mag het bedrag aanleveren. Het charter levert het plafond. ## Geen ladder Alle drie doen mag. Ze in een modieuze volgorde doen is geen strategie. Zakt de lookup: je hebt RAG nodig, of een weigering, geen groter model. Zakt een stabiel format dat nooit een document nodig heeft: fine-tuning kan de klus zijn. Een wekelijks handboek is die klus niet. Zakt het plafond: je hebt een charter nodig, geen extra index. De mengselsignalen die ik in dezelfde week hoor: - “We hebben op onze docs gefine-tuned.” De docs wijzigden donderdag. Het checkpoint niet. Dat is een archiefkast zonder datumstempel. - “De agent heeft RAG.” Bedoeld: een pluginlijst. Niemand kan de chunk noemen. Dat is een werker met een zoekvak, geen retrieval. - “We hebben agents toegevoegd.” Het systeem beantwoordt nog één beurt en kan een tool-call niet weigeren. Dat is een chatbot die een sleutel erfde. Een vector store is meubilair. GRAIN is op deze site de inspecteerbare retrieval-loop. Fine-tuning is geen GRAIN. Een agent zonder Inspect antwoordt nog steeds vanuit de dichtstbijzijnde verkeerde alinea. De vijf zetten staan hier niet opnieuw. Eén eigendomsregel is genoeg: **Navigate is actualiteit**, niet de volgende lookup. TTL, opnieuw inlezen, change detection. Houdt de index nog de pdf van vorige maand vast, dan redt harder ranken je niet. Dat is een klokprobleem, geen modelgrootteprobleem. ## Een voorstel dat je kunt afkeuren Verkoopt een leverancier één retainer voor alle drie, vraag welk artefact je vrijdag in handen hebt: een locator die je kunt openen, een checkpoint met een eval, of een charter met een benoemde reviewer. Ontbreken alle drie, dan heb je een demo gekocht. Laat de kamer vier regels vullen over één live systeem. 1. Welke klus zakte vorige week: lookup, een stabiele vaardigheid, of het plafond? 2. Welk artefact bestaat vrijdag? 3. Wie kan het openen, of afkeuren? 4. Wat weigert het systeem als het artefact ontbreekt? Is regel twee “een beter model”, dan heb je geen klus gekozen. [De RAG-engineer](https://lenvanderhof.com/boeken/the-rag-engineer/) is live in het Engels en het Nederlands als paperback, hardcover en Kindle. Het boek maakt van fine-tuning geen bron van waarheid. Schrijf welke klus zakte. Stop daarna met alles op één ladder zetten. ## Wat deze pagina niet is Deze pagina is niet de RAG-definitie. Die pagina is de benoemde passage. Deze pagina is niet de agentdefinitie. Die pagina is de drie tests en het charter. Deze pagina is geen fine-tuninghandleiding en geen leveranciersvergelijking. Trainingsstacks en agent-runtimes hernoemen zichzelf. De drie klussen niet. Kies de klus die zakte. Houd het artefact vast. Laat de andere twee van de slide tot ze vrijdag een eigen object hebben. Citeer deze pagina:RAG versus fine-tuning versus agents: drie klussen, geen ladder.Len P. van der Hof. [https://lenvanderhof.com/nl/blog/rag-versus-finetuning-versus-agents/](https://lenvanderhof.com/nl/blog/rag-versus-finetuning-versus-agents/) · Gepubliceerd 3 september 2026. ## Begrippen - [RAG](https://lenvanderhof.com/nl/begrippen/rag/) - [AI-agent](https://lenvanderhof.com/nl/begrippen/ai-agent/) - [GRAIN](https://lenvanderhof.com/nl/begrippen/grain/) ## Bronnen 1. [Wat is RAG?](https://lenvanderhof.com/nl/blog/wat-is-rag/) 2. [Wat is een AI-agent?](https://lenvanderhof.com/nl/blog/wat-is-een-ai-agent/) 3. [AI-agents effectief inzetten](https://lenvanderhof.com/nl/blog/ai-agents-effectief-inzetten/) 4. [Evalueer de redenering, niet de vloeiendheid](https://lenvanderhof.com/nl/blog/evalueer-de-redenering-niet-de-vloeiendheid/) 5. [De RAG-engineer](https://lenvanderhof.com/boeken/the-rag-engineer/) ## Verder lezen - [Wat is RAG?](https://lenvanderhof.com/nl/blog/wat-is-rag/) - [Wat is een AI-agent?](https://lenvanderhof.com/nl/blog/wat-is-een-ai-agent/) - [De RAG-engineer](https://lenvanderhof.com/boeken/the-rag-engineer/) Over de auteur ## [Len P. van der Hof](https://lenvanderhof.com/nl/auteurs/len-p-van-der-hof/) Ondernemer, AI-innovator en venture builder Len P. van der Hof bouwt praktische AI-systemen, digitale ventures en evidence-informed hulpmiddelen voor founders. ```json { "@context": "https://schema.org", "@graph": [ { "@type": "Person", "@id": "https://lenvanderhof.com/#person", "name": "Len P. van der Hof", "alternateName": [ "Len van der Hof", "L.P. van der Hof", "Leendert Pieter van der Hof" ], "honorificSuffix": "MSc", "url": "https://lenvanderhof.com/", "image": [ "https://lenvanderhof.com/photos/len-portrait-1.jpg", "https://lenvanderhof.com/photos/len-portrait-2.jpg", "https://lenvanderhof.com/photos/len-portrait-3.jpg", "https://lenvanderhof.com/photos/len-portrait-4.jpg", "https://lenvanderhof.com/photos/len-speaking.jpg", "https://lenvanderhof.com/photos/len-hero.jpg" ], "jobTitle": "Ondernemer, AI-innovator en venture builder", "description": "Len P. van der Hof, MSc, is een Nederlandse ondernemer en AI-innovator in Zwijndrecht. Hij bouwt ReasonKit, MindSesh, Undominated.ai, boeken onder zijn eigen naam, het fictie-imprint LPH98.lifestyle en technologieventures via LPH98.ventures. Elf titels in Systems for the Strategic Self zijn nu verkrijgbaar, in het Engels en het Nederlands.", "address": { "@type": "PostalAddress", "addressLocality": "Zwijndrecht", "addressCountry": "NL" }, "alumniOf": { "@type": "CollegeOrUniversity", "name": "Rotterdam School of Management, Erasmus University" }, "knowsAbout": [ "Artificial intelligence", "AI agents", "Agentic AI systems", "LLM routing", "SEO", "Generative engine optimization", "Answer engine optimization", "Venture building", "Founder performance", "Founder psychology", "Evidence-based decision-making" ], "sameAs": [ "https://www.linkedin.com/in/lenvanderhof/", "https://x.com/LenvanderHof", "https://www.youtube.com/channel/UCTG20buKqYYbitqqf7l3zJA", "https://www.instagram.com/Lenvanderhof/", "https://www.threads.com/@lenvanderhof", "https://github.com/Lenvanderhof", "https://huggingface.co/LPH98", "https://www.npmjs.com/~lenvanderhof", "https://www.goodreads.com/author/show/70983905.Len_P_van_der_Hof", "https://www.amazon.com/author/lenvanderhof", "https://www.bol.com/nl/nl/b/len-p-van-der-hof-msc/609879394/", "https://bsky.app/profile/lenvanderhof.com", "https://mastodon.social/@Lenvanderhof", "https://crates.io/users/Lenvanderhof", "https://cursor.com/@Lenvanderhof", "https://medium.com/@Lenvanderhof", "https://gitlab.com/Lenvanderhof", "https://hub.docker.com/u/lenvanderhof/", "https://dev.to/lenvanderhof", "https://www.facebook.com/Lenvanderhof", "https://soundcloud.com/Lenvanderhof" ], "affiliation": [ { "@id": "https://lenvanderhof.com/#publisher" }, { "@id": "https://lenvanderhof.com/#mindsesh" }, { "@id": "https://lenvanderhof.com/#lifestyle" } ] }, { "@type": "WebSite", "@id": "https://lenvanderhof.com/#website", "url": "https://lenvanderhof.com/", "name": "Len P. van der Hof", "description": "Len P. van der Hof, MSc, is een Nederlandse ondernemer en AI-innovator in Zwijndrecht. Hij bouwt ReasonKit, MindSesh, Undominated.ai, boeken onder zijn eigen naam, het fictie-imprint LPH98.lifestyle en technologieventures via LPH98.ventures. Elf titels in Systems for the Strategic Self zijn nu verkrijgbaar, in het Engels en het Nederlands.", "inLanguage": [ "en", "nl" ], "publisher": { "@id": "https://lenvanderhof.com/#person" } }, { "@type": "Organization", "@id": "https://lenvanderhof.com/#publisher", "name": "LPH98.ventures", "url": "https://lph98.ventures", "founder": { "@id": "https://lenvanderhof.com/#person" } }, { "@type": "Organization", "@id": "https://lenvanderhof.com/#mindsesh", "name": "MindSesh", "url": "https://mindsesh.net", "founder": { "@id": "https://lenvanderhof.com/#person" } }, { "@type": "SoftwareApplication", "@id": "https://lenvanderhof.com/#reasonkit", "name": "ReasonKit", "url": "https://reasonkit.sh", "creator": { "@id": "https://lenvanderhof.com/#person" } }, { "@type": "SoftwareApplication", "@id": "https://lenvanderhof.com/#undominated", "name": "Undominated.ai", "url": "https://undominated.ai", "creator": { "@id": "https://lenvanderhof.com/#person" } }, { "@type": "Organization", "@id": "https://lenvanderhof.com/#lifestyle", "name": "LPH98.lifestyle", "url": "https://lph98.lifestyle", "founder": { "@id": "https://lenvanderhof.com/#person" } }, { "@type": "ImageObject", "@id": "https://lenvanderhof.com/nl/blog/rag-versus-finetuning-versus-agents/#primaryimage", "url": "https://lenvanderhof.com/media/generated/blog-hero-rag-vs-finetune-vs-agents-v1.86b37f8dd3d7.wide.webp", "contentUrl": "https://lenvanderhof.com/media/generated/blog-hero-rag-vs-finetune-vs-agents-v1.86b37f8dd3d7.wide.webp", "representativeOfPage": true }, { "@type": "BreadcrumbList", "@id": "https://lenvanderhof.com/nl/blog/rag-versus-finetuning-versus-agents/#breadcrumb", "itemListElement": [ { "@type": "ListItem", "position": 1, "name": "Home", "item": "https://lenvanderhof.com/nl/" }, { "@type": "ListItem", "position": 2, "name": "Blog", "item": "https://lenvanderhof.com/nl/blog/" }, { "@type": "ListItem", "position": 3, "name": "AI-systemen", "item": "https://lenvanderhof.com/nl/blog/categorie/ai-systemen/" }, { "@type": "ListItem", "position": 4, "name": "RAG versus fine-tuning versus agents: drie klussen, geen ladder", "item": "https://lenvanderhof.com/nl/blog/rag-versus-finetuning-versus-agents/" } ] }, { "@type": "WebPage", "@id": "https://lenvanderhof.com/nl/blog/rag-versus-finetuning-versus-agents/#webpage", "url": "https://lenvanderhof.com/nl/blog/rag-versus-finetuning-versus-agents/", "name": "RAG versus fine-tuning versus agents: drie klussen, geen ladder", "description": "RAG zoekt een benoemde passage op. Fine-tuning verandert gewichten voor een stabiele vaardigheid. Een agent houdt een doel vast onder een charter. Drie klussen. Ze door elkaar halen is de reden dat een chatbot een API-sleutel erft en de bron nog steeds niet kan openen.", "isPartOf": { "@id": "https://lenvanderhof.com/#website" }, "primaryImageOfPage": { "@id": "https://lenvanderhof.com/nl/blog/rag-versus-finetuning-versus-agents/#primaryimage" }, "breadcrumb": { "@id": "https://lenvanderhof.com/nl/blog/rag-versus-finetuning-versus-agents/#breadcrumb" }, "inLanguage": "nl-NL" }, { "@type": "BlogPosting", "@id": "https://lenvanderhof.com/nl/blog/rag-versus-finetuning-versus-agents/#article", "mainEntityOfPage": { "@id": "https://lenvanderhof.com/nl/blog/rag-versus-finetuning-versus-agents/#webpage" }, "headline": "RAG versus fine-tuning versus agents: drie klussen, geen ladder", "description": "RAG zoekt een benoemde passage op. Fine-tuning verandert gewichten voor een stabiele vaardigheid. Een agent houdt een doel vast onder een charter. Drie klussen. Ze door elkaar halen is de reden dat een chatbot een API-sleutel erft en de bron nog steeds niet kan openen.", "datePublished": "2026-09-03T07:05:00.000Z", "dateModified": "2026-09-25T01:12:00.000Z", "author": { "@id": "https://lenvanderhof.com/#person" }, "publisher": { "@id": "https://lenvanderhof.com/#person" }, "image": [ "https://lenvanderhof.com/media/generated/blog-hero-rag-vs-finetune-vs-agents-v1.86b37f8dd3d7.square.webp", "https://lenvanderhof.com/media/generated/blog-hero-rag-vs-finetune-vs-agents-v1.86b37f8dd3d7.landscape.webp", "https://lenvanderhof.com/media/generated/blog-hero-rag-vs-finetune-vs-agents-v1.86b37f8dd3d7.wide.webp" ], "articleSection": "AI-systemen", "inLanguage": "nl-NL" } ] } ```