RAG draait om betere context
Retrieval-augmented generation zoekt relevante informatie op vóór een model antwoordt. Het doel is het model toegang geven tot specifieke bedrijfskennis zonder die kennis volledig in de prompt te stoppen.
RAG lost in de eerste plaats een contextprobleem op. In plaats van te verwachten dat een model interne documenten “kent”, zoek je relevante passages op en geef je die mee bij de vraag. Het model kan daardoor antwoorden op basis van actuele of organisatiespecifieke informatie zonder dat die kennis in de modelweights hoeft te zitten.
Een agent draait om beslissen en handelen
Een agent kan retrieval gebruiken, maar voegt daar orchestration aan toe: een volgende stap kiezen, een tool gebruiken, resultaat evalueren en eventueel verdergaan.
Een agent voegt besluitvorming over acties toe. Hij kan bijvoorbeeld beslissen eerst documentatie op te zoeken, daarna klantdata te controleren en vervolgens een conceptticket aan te maken. Retrieval kan één van zijn tools zijn, maar is niet hetzelfde als agentgedrag. Het onderscheid voorkomt dat elke zoekfunctie onnodig als agent wordt gebouwd.
De twee architecturen kunnen samen bestaan
Een klantenservice-agent kan bijvoorbeeld eerst documentatie ophalen via RAG en daarna een ticket voorbereiden. Retrieval lost het contextprobleem op; agentlogica bestuurt het proces.
Kies daarom vanuit de taak. Als het probleem “het model mist onze informatie” is, kan RAG voldoende zijn. Als de taak meerdere stappen, tools en contextafhankelijke keuzes bevat, kan een agent zinvol worden. Combineer ze alleen wanneer beide problemen daadwerkelijk bestaan.