Waarom je AI-agent vanuit je eigen documenten antwoordt

Wat is een RAG AI-agent?

Een RAG AI-agent doorzoekt je eigen materiaal voordat hij antwoordt. RAG staat voor retrieval-augmented generation: de agent zoekt de delen van je documenten die bij de vraag passen en schrijft het antwoord op basis daarvan, in plaats van op basis van wat het model toevallig op internet heeft geleerd.

Vraag een algemene chatbot naar je retourtermijn en hij gokt een beleid dat aannemelijk klinkt. Vraag het een RAG-agent en hij leest je beleid en noemt drie dagen voor kaartbetalingen in Europa en vijf daarbuiten, omdat dat in je handboek staat.

In IMFA is RAG de kennislaag van elke agent die je bouwt met de AI-chatbotbouwer. Jij uploadt de bestanden, de agent leest ze, en elk kanaal waarop hij draait, antwoordt vanuit hetzelfde materiaal.

Wanneer heeft je agent RAG nodig?

Je hebt het nodig zodra je klanten vragen stellen waarvan de antwoorden alleen in je eigen bedrijf bestaan:

• Prijzen, voorraad en voorwaarden veranderen. Een model dat vorig jaar is getraind, kent je nieuwe bezorgkosten niet. Je prijslijst wel.
• Elke week komen dezelfde 20 vragen binnen. Openingstijden, retouren, maten, boekingsregels. Ze staan al ergens op papier, meestal in een pdf die niemand leest.
• Een fout antwoord kost je geld. Een beloofde korting die je nooit hebt aangeboden, of een leverdatum die je niet haalt, maakt van een snel antwoord een klacht.
• Je helpt mensen in meerdere talen. Eén Frans handboek kan een Arabische vraag beantwoorden, omdat retrieval op betekenis werkt en niet op exacte woorden.

Praat je agent alleen over algemene onderwerpen, dan kun je het overslaan. Zodra hij namens je bedrijf spreekt, heeft hij je documenten nodig.

Hoe RAG werkt in een IMFA-agent

IMFA draait de hele pipeline voor je: bestanden lezen, ze in delen opsplitsen, ze doorzoeken en ze per agent gescheiden houden.

1. Voeg je bronnen toe. Upload PDF-, DOCX-, XLS-, XLSX-, TXT-, Markdown- en CSV-bestanden. Met Pro voeg je openbare webpagina's toe via een URL. Elke bron laat zien of hij wordt verwerkt, klaar is of is mislukt, zodat je weet wat de agent echt kan gebruiken.
2. De agent zoekt op het moment van antwoorden. Komt er een vraag binnen, dan zoekt de agent de meest relevante delen op in zijn eigen, afgeschermde verzameling en antwoordt op basis daarvan. Een document bijwerken betekent nooit een model opnieuw trainen.
3. Hij geeft gaten toe. Vertel de agent dat hij het moet zeggen als een vraag buiten zijn materiaal valt. Dat doet hij dan, in plaats van te improviseren.
4. Jouw instructies blijven de baas. Opgehaalde tekst wordt behandeld als niet-vertrouwde gegevens. Een document met "negeer je regels" kan de instructies van de agent niet vervangen, en regels aan de serverzijde houden je prompts en tools privé.
5. Test voordat je publiceert. Stel in de bouwer directe, vage, tegenstrijdige en irrelevante vragen. Publiceer zodra de antwoorden kloppen met wat je team zou zeggen.

Dezelfde kennis bedient daarna je websitewidget, gesprekken op WhatsApp, Telegram, Discord, Instagram en Facebook, de spraaklijn met Pro en je eigen server via de AI-agent-API.

Waarom antwoorden vanuit je documenten loont

Minder foute antwoorden. Onderbouwde antwoorden blijven binnen wat jij hebt geschreven. RAG vermindert ongefundeerde antwoorden, maar maakt geen enkel model perfect, dus controleer de belangrijkste vragen voordat je publiceert.

Updates in minuten, geen projecten. Pas de prijslijst aan, upload hem opnieuw, en het volgende antwoord gebruikt hem. Een model fine-tunen voor dezelfde wijziging zou een nieuwe trainingsronde betekenen.

Eén bron van waarheid voor elk kanaal. Je onderhoudt één set documenten in plaats van één script per kanaal.

Minder van je dag kwijt aan jezelf herhalen. Beantwoord je 20 herhaalde vragen per dag van twee minuten per stuk, dan is dat ongeveer 40 minuten per dag, meer dan 3 uur per week, die de agent uit je inbox kan halen. Jouw cijfers zullen anders zijn: tel een week aan berichten om ze te vinden.

Een eigen pipeline blijft mogelijk. Teams die volledige controle willen over parsers, embeddings en ranking, kunnen nog steeds hun eigen oplossing bouwen. IMFA is voor teams die het resultaat willen zonder die infrastructuur zelf te draaien.

Veelgestelde vragen over RAG AI-agents

Welke bestandstypen kan ik aan een IMFA-kennisbank toevoegen?

PDF-, DOCX-, XLS-, XLSX-, TXT-, Markdown- en CSV-bestanden. Elke bron meldt de status verwerken, klaar of mislukt voordat je erop vertrouwt.

Kan de RAG-agent leren van websites?

Ja, met Pro. Voeg URL's van openbare HTTP- of HTTPS-pagina's toe en IMFA leest de inhoud in dezelfde kennisverzameling, met dezelfde statusmeldingen.

Garandeert RAG dat elk antwoord juist is?

Nee. Retrieval geeft het model de juiste context en vermindert ongefundeerde antwoorden, maar neemt niet elke fout, onduidelijkheid of verouderde bron weg. Test belangrijke vragen en controleer kritieke antwoorden.

Hoe gaat IMFA om met prompt injection in documenten?

Opgehaalde documenten en pagina-fragmenten worden behandeld als niet-vertrouwde gegevens en kunnen de instructies van de agent niet vervangen. Regels aan de serverzijde verkleinen het risico en houden prompts en tools privé, maar geen enkel AI-platform kan volledige bescherming beloven.

Is RAG hetzelfde als fine-tuning?

Nee. RAG zoekt je materiaal op op het moment van antwoorden, wat past bij informatie die verandert. Fine-tuning verandert het model zelf via training en past bij stijl of gedrag, met hogere kosten en tragere updates.