--- title: "Wanneer RAG gebruiken | Architecturen die een geschil overleven | Len P. van der Hof" description: Gebruik RAG wanneer het antwoord een passage moet noemen in een verzameling die verandert. Bouw het niet voor eenmalig documentwerk, voor gezaghebbende openbare opzoekingen, of voor vragen over verbanden die een graaf nodig hebben. image: "https://lenvanderhof.com/media/generated/blog-hero-rag-when-v1.a445b431ef33.wide.webp" --- [AI-systemen](https://lenvanderhof.com/nl/blog/categorie/ai-systemen/) Onderzoeksartikel # Wanneer RAG gebruiken: benoemde passages, geen vector store De inrichting is optioneel. De benoemde passage niet. Kun je het bestand niet openen, dan heb je geen retrieval opgeleverd. Len P. van der HofGepubliceerd 13 september 20266 min. leestijd De map onder de lamp, of een kaart van verbanden. Twee verschillende klussen. Direct antwoord Gebruik retrieval-augmented generation wanneer een taalmodel moet antwoorden uit een private of veranderende verzameling en je de passage achter de zin moet kunnen openen. Bouw geen RAG-systeem wanneer een gezaghebbende opzoeking of het eenmalig lezen van één document volstaat, of wanneer de blijvende vraag gaat over hoe entiteiten samenhangen. Leg vóór de architectuurkeuze twee voorwaarden vast: hoe snel een gewijzigd document beantwoordbaar wordt, en of het ophalen afdwingt wie wat mag zien. Naïef ophalen-en-genereren, hybride search met lexicale en dense zoekmethodes, agentische retrieval als tool, en methodes met een graafindex zoals GraphRAG van Microsoft zijn verschillende klussen, geen ladder van verfijning. Effectief betekent: het antwoord gebruikt de actuele geautoriseerde versie, de onderbouwende passage is te openen, en het systeem weigert wanneer die ontbreekt. De RAG-engineer is nu verkrijgbaar. ## Belangrijkste inzichten - RAG gaat over een benoemde passage in een verzameling die van jou is. Een vector store is inrichting. - Bouw geen RAG voor één keer een document lezen, voor een gezaghebbende openbare opzoeking, of voor 'hoe hangen deze accounts samen'. - Twee voorwaarden bepalen meer dan de architectuur: de actualiteit van de index en wie wat mag zien. - Een systeem dat niet kan weigeren, antwoordt uit de dichtstbijzijnde verkeerde alinea. Weigeren is een functie. - Naïef, hybride, agentisch en graafindex lossen verschillende vragen op. Kies de klus, niet de slide. - Effectief betekent controleerbaar. GRAIN benoemt die loop. Winsttabellen zijn niet het product. [Wat is RAG?](https://lenvanderhof.com/nl/blog/wat-is-rag/) is de definitie: zoek een benoemde passage op en schrijf daarna pas. Deze pagina gaat over de operationele keuze. Wanneer is die methode de juiste, welke vormen shippen mensen werkelijk, en wat “effectief” mag betekenen als niemand je het bestand laat zien. ## Wanneer RAG de klus is Gebruik RAG wanneer drie dingen tegelijk waar zijn. 1. Het antwoord moet kloppen met een verzameling die van jou is: contracten, handboek, incidentrapporten, specificaties, tickets. 2. Die verzameling verandert. De clausule van vorig jaar is niet die van dit jaar. 3. Iemand moet de passage kunnen openen als de zin later ter discussie staat. Vragen over opzegtermijnen, terugbetalingsregels, veiligheidsstappen en “wat hebben we deze klant in maart verteld” zijn RAG-klussen. Het product is de map onder de lamp. Genereren is de laatste meter. ## Wanneer het de verkeerde klus is **Gezaghebbende openbare opzoekingen.** Hoort het antwoord bij een actueel register, een API of een eerstelijnspagina, bevraag dan die bron. Een kopie in je eigen corpus indexeren voegt veroudering toe zonder gezag toe te voegen. **Eenmalig documentwerk.** Past het relevante bestand in de context en is de klus vandaag klaar, open dan het hele bestand en houd het bij het werk. Bouw retrieval wanneer hergebruik, omvang, verandering, rechten of herhaalbaar citeren een ingestiepad rechtvaardigen. **Blijvende vragen over verbanden.** “Hoe hangen deze accounts samen?” “Wat is afhankelijk van deze dienst?” “Wie is eigenaar van de claim in hoofdstuk 4?” Moet de relatie zelf worden opgeslagen en doorlopen, gebruik dan een knowledge graph en geen vergelijkbare alinea. Je kunt die graaf uit tekst bouwen. Het is een andere architectuur, geen grotere vector store. **Een besluit dat een benoemde beoordelaar nodig heeft.** Retrieval vervangt [de mens in de lus](https://lenvanderhof.com/nl/blog/mens-in-de-lus-betekenis/) niet. Een correcte clausule kan nog steeds naar de verkeerde persoon gaan. ## Twee voorwaarden die mensen overslaan Teams discussiëren over embeddings en laten twee operationele besluiten onbeschreven. Die besluiten beperken elke architectuur. **Actualiteit.** Hoeveel tijd zit er tussen een document dat verandert en een systeem dat uit de nieuwe versie antwoordt? Zet er een norm op en test die met een bekende wijziging: upload het handboek opnieuw, verander een specificatie, stel de afhankelijke vraag en noteer het gat. Een index die stilletjes achterloopt is erger dan geen index, want het foute antwoord arriveert mét bronvermelding. **Rechten.** Retrieval erft wat je hebt geïndexeerd, niet wat de vrager mag lezen. Zijn salarisbrieven, notulen van de board en het HR-handboek in één collectie beland, dan kan het model alle drie ophalen tenzij je dat tegenhoudt. Dwing toegang af tijdens het ophalen, tegen de identiteit van de vrager, splits je verzamelingen op de grens van die toegang, of indexeer alleen materiaal dat elke gebruiker mag zien. Filteren nadat het model de passage heeft gezien is te laat. Bepaal wat er gebeurt als er niets goeds wordt gevonden. Test de ophaaldrempel op bekende missers, niet alleen op geslaagde demo’s. Haalt geen enkele toegestane passage die drempel, geef dan geen antwoord en noem de volgende route. Weigeren is een functie die je met opzet bouwt. ## Loop er één na: het beleid dat twee versies had Deze fout is alledaags en kost geld. Iemand vraagt de assistent hoeveel dagen opzegtermijn een klant moet aanhouden voordat die opzegt. Het systeem geeft een net antwoord met een bronvermelding. Die bronvermelding wijst naar `terms-v3.pdf`. De getekende overeenkomst met deze klant is `terms-v4.pdf`, geüpload in maart, en die verschoof het getal. De onderdelen deden precies wat er was ingesteld. Het product faalde toch. Beide bestanden stonden in het corpus en pasten bij de vraag. Nergens in de index stond dat het ene het andere verving, dus koos de ranking op gelijkenis, en v3 formuleerde de clausule toevallig dichter bij de vraag. De reparatie is geen beter embeddingmodel. Het zijn metadata en een regel. 1. Elk geïndexeerd document draagt een ingangsdatum, een versie en een status: actueel, vervangen, concept. 2. Vervangen en concept vallen standaard buiten het ophalen, niet alleen lager in de ranking. 3. Het antwoord noemt de versie, niet alleen het bestand. “Clausule 12.3 van terms-v4, ingegaan op 4 maart” is controleerbaar. “Volgens onze voorwaarden” niet. 4. Iemand is eigenaar van verwijderen. Een corpus dat alleen groeit, houdt elke fout eeuwig opvraagbaar. Draai dit deze week op je eigen systeem. Pak één beleidsstuk waarvan je weet dat het is herzien. Stel de vraag. Kijk wat eruit komt. Kan het antwoord niet vertellen welke versie het las, dan is de discussie over architectuur voorbarig. ## Vier vormen, vier klussen Mensen sommen architecturen op alsof de latere de eerdere overbodig maken. Dat doen ze niet. Ze beantwoorden verschillende vragen. **Naïef ophalen en genereren.** Knip het corpus in stukken. Embed. Haal de dichtstbijzijnde buren op. Zet ze in de prompt. Schrijf. Dit is de demo. Het volstaat wanneer de vraag een clausule noemt en de juiste chunk dicht bij de vraag ligt. Het faalt zodra twee versies van hetzelfde beleid naast elkaar staan, of wanneer de vraag over de hele verzameling gaat. **Hybride search.** Trefwoorden of BM25 naast dense vectoren, daarna een reranker. Gebruik het wanneer namen, ID’s en zeldzame tokens ertoe doen: contractnummers, SKU’s, foutcodes. Embeddings zijn slecht in exacte strings. Lexicaal zoeken is slecht in parafrase. Dat paar is inrichting die zichzelf terugverdient. Het is nog steeds geen Inspect. **Agentische retrieval.** Het model mag zoeken aanroepen als tool, nog eens kijken, weigeren. Gebruik het wanneer één hop de vraag niet dekt: “vergelijk de MSA van vorig jaar met die van dit jaar en noem de clausule die verschoof.” Nu heb je een workflow. Je hebt ook meer manieren om Inspect over te slaan. De loop uit [GRAIN](https://lenvanderhof.com/nl/begrippen/grain/) blijft binden: Gather, Rank, Assemble, Inspect, Navigate. **RAG met een graafindex.** De GraphRAG-methode van Microsoft haalt entiteiten en relaties uit tekst, clustert die tot communities en genereert per community een samenvatting. Lokale vragen willen nog steeds een passage. Globale vragen zoals “welke thema’s keren terug in dit corpus?” hebben geen enkele chunk om op te halen; daarvoor is GraphRAG gebouwd. Het voegt een indexeerpijplijn toe voor extractie en samenvattingen per community. De openbare README op GitHub, gelezen op 2026-08-27, meldt dat het project grotendeels in onderhoudsmodus is. Behandel het als een gepubliceerde methode, niet als standaardinstallatie. Sorteer op de vraag, niet op de slide. De vraag klinkt alsWat er werkelijk nodig is”Wat staat er in clausule 12.3?”Naïeve retrieval, met versiemetadata”Wat hebben we geoffreerd op order 88-4471?”Hybride search. Exacte ID’s, geen parafrase”Hoe verschilt de MSA van dit jaar van die van vorig jaar?”Agentische retrieval. Meer dan één hop”Welke thema’s keren terug in twee jaar supporttickets?”Een methode met een graafindex, of een analist”Wat breekt er als we deze dienst uitfaseren?”Een knowledge graph. Geen retrieval Geen van deze is “het meest effectief” als slogan. Test drie dingen: gebruikte het ophalen de actuele geautoriseerde versie, kan een mens de onderbouwende passage openen, en weigert het systeem wanneer geen enkele passage het antwoord draagt? Een verfijnde graaf die op die drie zakt, blijft een vloeiende gok met extra ceremonie. ## Wat je vrijdag moet eisen Pak één antwoord uit deze week. 1. Welke passage is opgehaald? 2. Waarom deze versie en niet de oudere? 3. Wat is eromheen gezet? 4. Heeft iemand een misser bekeken, of alleen de demo die werkte? 5. Volgende opzoeking, of weigeren? Blijven die regels leeg, stop dan met discussiëren over chunkgrootte. Je hebt generatie met extra’s opgeleverd. [Evalueer de redenering, niet de vloeiendheid](https://lenvanderhof.com/nl/blog/evalueer-de-redenering-niet-de-vloeiendheid/) is de test ernaast wanneer de zin netjes is en de bron niet. [De RAG-engineer](https://lenvanderhof.com/boeken/the-rag-engineer/) bezit de langere praktijk. Het is nu verkrijgbaar. Je kunt nu al een slide weigeren die RAG zegt en de map niet kan openen. ## Begrippen - [RAG](https://lenvanderhof.com/nl/begrippen/rag/) - [GRAIN](https://lenvanderhof.com/nl/begrippen/grain/) ## Bronnen 1. [Wat is RAG?](https://lenvanderhof.com/nl/blog/wat-is-rag/) 2. [RAG (begrippen)](https://lenvanderhof.com/nl/begrippen/rag/) 3. [GRAIN (begrippen)](https://lenvanderhof.com/nl/begrippen/grain/) 4. [Evalueer de redenering, niet de vloeiendheid](https://lenvanderhof.com/nl/blog/evalueer-de-redenering-niet-de-vloeiendheid/) 5. [The RAG Engineer](https://lenvanderhof.com/boeken/the-rag-engineer/) 6. [From Local to Global: A Graph RAG Approach to Query-Focused Summarization](https://www.microsoft.com/en-us/research/publication/from-local-to-global-a-graph-rag-approach-to-query-focused-summarization/) · Microsoft Research 7. [GraphRAG documentatie](https://microsoft.github.io/graphrag/) · Microsoft 8. [Microsoft GraphRAG repository](https://github.com/microsoft/graphrag) · Microsoft ## Verder lezen - [Wat is RAG?](https://lenvanderhof.com/nl/blog/wat-is-rag/) - [GRAIN](https://lenvanderhof.com/nl/begrippen/grain/) - [The 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 is een Nederlandse ondernemer en AI-innovator die ReasonKit, MindSesh, Undominated.ai, het fictie-imprint LPH98.lifestyle en technologieventures bouwt via LPH98.ventures.", "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 is een Nederlandse ondernemer en AI-innovator die ReasonKit, MindSesh, Undominated.ai, het fictie-imprint LPH98.lifestyle en technologieventures bouwt via LPH98.ventures.", "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/wanneer-rag-gebruiken/#primaryimage", "url": "https://lenvanderhof.com/media/generated/blog-hero-rag-when-v1.a445b431ef33.wide.webp", "contentUrl": "https://lenvanderhof.com/media/generated/blog-hero-rag-when-v1.a445b431ef33.wide.webp", "representativeOfPage": true }, { "@type": "BreadcrumbList", "@id": "https://lenvanderhof.com/nl/blog/wanneer-rag-gebruiken/#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": "Wanneer RAG gebruiken: benoemde passages, geen vector store", "item": "https://lenvanderhof.com/nl/blog/wanneer-rag-gebruiken/" } ] }, { "@type": "WebPage", "@id": "https://lenvanderhof.com/nl/blog/wanneer-rag-gebruiken/#webpage", "url": "https://lenvanderhof.com/nl/blog/wanneer-rag-gebruiken/", "name": "Wanneer RAG gebruiken: benoemde passages, geen vector store", "description": "Gebruik RAG wanneer het antwoord een passage moet noemen in een verzameling die verandert. Bouw het niet voor eenmalig documentwerk, voor gezaghebbende openbare opzoekingen, of voor vragen over verbanden die een graaf nodig hebben.", "isPartOf": { "@id": "https://lenvanderhof.com/#website" }, "primaryImageOfPage": { "@id": "https://lenvanderhof.com/nl/blog/wanneer-rag-gebruiken/#primaryimage" }, "breadcrumb": { "@id": "https://lenvanderhof.com/nl/blog/wanneer-rag-gebruiken/#breadcrumb" }, "inLanguage": "nl-NL" }, { "@type": "BlogPosting", "@id": "https://lenvanderhof.com/nl/blog/wanneer-rag-gebruiken/#article", "mainEntityOfPage": { "@id": "https://lenvanderhof.com/nl/blog/wanneer-rag-gebruiken/#webpage" }, "headline": "Wanneer RAG gebruiken: benoemde passages, geen vector store", "description": "Gebruik RAG wanneer het antwoord een passage moet noemen in een verzameling die verandert. Bouw het niet voor eenmalig documentwerk, voor gezaghebbende openbare opzoekingen, of voor vragen over verbanden die een graaf nodig hebben.", "datePublished": "2026-09-13T10:05:00.000Z", "author": { "@id": "https://lenvanderhof.com/#person" }, "publisher": { "@id": "https://lenvanderhof.com/#person" }, "image": [ "https://lenvanderhof.com/media/generated/blog-hero-rag-when-v1.a445b431ef33.square.webp", "https://lenvanderhof.com/media/generated/blog-hero-rag-when-v1.a445b431ef33.landscape.webp", "https://lenvanderhof.com/media/generated/blog-hero-rag-when-v1.a445b431ef33.wide.webp" ], "articleSection": "AI-systemen", "inLanguage": "nl-NL" } ] } ```