Na agents en agentic workflows komt het geheugen
Knowledge graphs, vectordatabases, GraphRAG. Deze termen staan op elke AI-conferentie zodra het over geheugen en grounding gaat. En net als bij agents verbergt de hype een vrij concrete techniek.
Een AI agent is zo goed als de context die hij kan bereiken. Een LLM weet veel over de wereld in het algemeen en niets over jouw bedrijf. Vraag een agent iets over jouw klanten, voorraad of projecten en hij vult de gaten met aannames, tenzij hij de echte feiten ergens kan opzoeken. Een knowledge graph is een van de sterkste manieren om hem die feiten te geven.
In onze serie schreven we wat een AI agent is, een LLM dat tools aanroept, en hoe je losse stappen tot een agentic workflow knoopt. Dit stuk gaat over de laag eronder: het geheugen waaruit zo’n systeem put.
Wat een knowledge graph eigenlijk is
Een knowledge graph slaat je wereld op als punten en verbindingen. De punten zijn entiteiten: een klant, een order, een product, een document. De verbindingen zijn de relaties ertussen: een klant plaatste een order, een order bevat een product, een document beschrijft dat product. Elk punt en elke verbinding kan eigenschappen dragen, zoals een datum of een bedrag.
Het verschil met de opslag die je al kent, zit in wat er centraal staat.
Een tabel
Rijen en kolommen. Sterk in optellen en filteren. De verbanden tussen rijen reken je elke keer opnieuw uit met joins.
Een vectorstore
Tekst opgeslagen als getallen. Sterk in 'vind iets dat hierop lijkt'. Hij kent gelijkenis, geen feiten en geen relaties.
Een knowledge graph
Entiteiten en hun relaties. Sterk in vragen die over verbanden gaan. Hij volgt de lijn van klant naar order naar product in één stap.
Een tabel bewaart rijen. Een vectorstore bewaart gelijkenis. Een knowledge graph bewaart de verbanden zelf. Voor een agent die over jouw wereld moet redeneren, zijn juist die verbanden het halve werk.
Waarom een agent een knowledge graph wil
Een LLM is krachtig en vergeetachtig. Hij heeft geen vaste kennis van jouw situatie en verzint een plausibel antwoord als hij het niet weet. Geef je hem een knowledge graph als bron, dan verandert er iets fundamenteels: hij kan de feiten opzoeken voordat hij antwoordt.
Stel, een supportagent krijgt de vraag “welke klanten op het Pro-pakket hebben vorige week een storing gemeld?” In een graph is dat één route: van pakket naar klant naar ticket. De agent loopt de verbindingen langs en geeft een antwoord dat klopt, met de namen erbij.
Gronding
De agent antwoordt op basis van jouw echte data. Dat scheelt verzinsels, want hij hoeft niets meer in te vullen wat hij niet weet.
Geheugen
Wat de agent vastlegt, blijft bewaard als entiteiten en relaties. Een volgende run bouwt daarop voort, zonder dat je alles opnieuw in de prompt propt.
Redeneren over meerdere stappen
Vragen die van A via B naar C lopen, beantwoordt hij door de relaties te volgen. Precies daar waar losse tekstfragmenten tekortschieten.
Uitlegbaarheid
Je ziet welk pad de agent door de graph nam om bij zijn antwoord te komen. Dat maakt een fout te herleiden en het systeem te vertrouwen.
Een agent zonder gronding gokt overtuigend. Een agent met een knowledge graph zoekt het op. Dat verschil bepaalt of je zijn antwoord aan een klant durft te laten zien.
GraphRAG: de agent volgt de verbanden
De meeste AI-systemen halen context op met RAG: retrieval-augmented generation. Klassieke RAG zoekt in een vectorstore naar tekstfragmenten die op de vraag lijken en plakt die in de prompt. Dat werkt prima zolang het antwoord in één stukje tekst staat.
Zodra het antwoord verspreid zit over meerdere, met elkaar verbonden feiten, loopt die aanpak vast. “Welke leveranciers raken we kwijt als deze fabriek uitvalt?” staat in geen enkel los fragment. Het antwoord zit in de keten van fabriek naar onderdeel naar product naar leverancier.
GraphRAG lost dat op door de agent de graph te laten doorlopen. Hij vindt een startpunt en volgt vandaar de relaties om alle verbonden context te verzamelen.
Vector-RAG
Zoekt tekstfragmenten die op de vraag lijken. Snel en sterk voor 'vind het stuk waar dit in staat'. De verbanden tussen die stukken kent hij niet.
GraphRAG
Volgt de relaties in de graph om verbonden feiten te verzamelen. Sterk voor vragen waar het antwoord uit meerdere, gekoppelde feiten bestaat.
In de praktijk combineer je beide: vectoren om snel een ingang te vinden, de graph om vandaar de verbanden uit te breiden.
De knowledge graph als tool in je agentic workflow
In een agentic workflow is de knowledge graph simpelweg een van de tools die de agent kan aanroepen. Waar de ene tool een mail stuurt en de andere een ticket aanmaakt, beantwoordt de graph-tool de vraag “wat weet ik al over deze situatie?”
De agent hoeft jouw wereld zo niet uit zijn hoofd te kennen. Hij bevraagt de graph op het moment dat hij een feit nodig heeft, gebruikt het antwoord in zijn volgende stap en laat de rest met rust. Dat houdt de prompt klein en het systeem voorspelbaar, twee dingen die zwaarder wegen dan ze klinken zodra een workflow elke dag op echte data draait.
Wanneer een knowledge graph loont
Een knowledge graph is krachtig en voor veel toepassingen overkill. De vuistregel draait om je vragen. Gaan ze over losse feiten of over gelijkenis? Dan kom je met een database of een vectorstore prima weg. Gaan ze over hoe dingen samenhangen, en moet je daarvoor meerdere stappen volgen? Dan verdient een knowledge graph zich terug.
Kies een database of vectorstore
Je vragen gaan over losse feiten of over 'vind iets dat hierop lijkt'. Een FAQ-bot, een zoekfunctie, een simpele opzoeker. Een graph is dan onnodige complexiteit.
Kies een knowledge graph
Je domein zit vol verbanden die ertoe doen: organisaties, leveringsketens, aanbevelingen, fraude, gekoppelde documenten. En je vragen lopen over meerdere van die verbanden tegelijk.
Begin ook hier zo simpel mogelijk. Een knowledge graph voeg je pas toe als je vragen echt over samenhang gaan. Elke laag die je toevoegt, is er ook één die je moet bouwen en bijhouden.
Het moeilijke zit in bouwen en bijhouden
Een knowledge graph tekenen op een whiteboard is makkelijk. Hem vullen en up-to-date houden is het echte werk. De entiteiten en relaties moeten ergens vandaan komen, vaak uit rommelige bronnen, en ze moeten blijven kloppen terwijl je data verandert.
Extractie
Entiteiten en relaties uit je bronnen halen: uit documenten, mails, databases. Een LLM helpt hierbij, en zonder controle sluipen er fouten in die zich door de hele graph verspreiden.
Schema
Welke soorten entiteiten en relaties bestaan er, en hoe heten ze? Een te los schema wordt een moeras, een te strak schema kan je echte wereld niet kwijt.
Synchronisatie
Je wereld verandert elke dag. Een graph die achterloopt op de werkelijkheid, geeft de agent verouderde feiten. Bijhouden is een doorlopende klus.
De query-laag
De agent moet de graph kunnen bevragen op een manier die hij begrijpt en die jij kunt vertrouwen. Dit is de brug tussen het model en je data.
Een knowledge graph tekenen kan iedereen. Een graph die jaren klopt terwijl je data en je modellen veranderen, dat is engineering.
Dit is de laag die wij voor klanten bouwen: AI agents en automatisering die op jouw echte data draait. We deden het eerder al kleiner, toen we 140 tagvariaties terugbrachten tot 27 onderwerpen door ze op betekenis te koppelen. En het groeisysteem onder de site die je nu leest, draait zelf op een knowledge graph: elke pagina en zoekterm zit erin als entiteit met relaties, zodat onze agents erover kunnen redeneren.
Conclusie: geef je agent een wereld om te bevragen
Knowledge graphs worden begrijpelijk zodra je ze ziet als het geheugen van een agentic systeem. Het is jouw wereld, opgeslagen als entiteiten en relaties, zodat een agent hem kan bevragen voordat hij antwoordt.
Je wereld als verbanden
Entiteiten en hun relaties als kern. Sterk voor vragen die over samenhang gaan.
Gronding voor de agent
Een agent die de graph bevraagt, put uit jouw echte data. Minder verzinsels, en een spoor dat je kunt volgen.
De winst zit in bouwen en bijhouden
Extractie, schema en synchronisatie maken het verschil tussen een mooi plaatje en een graph waar een agent dag in dag uit op kan bouwen.
Begin klein, koppel de feiten die er echt toe doen en geef je agent een wereld die hij kan bevragen. Dan stopt hij met gokken en begint hij met opzoeken.
Wat is een knowledge graph?
Wat is het verschil tussen een knowledge graph en een vectordatabase?
Wat is GraphRAG?
Waarom gebruiken AI agents een knowledge graph?
Wanneer heb ik een knowledge graph nodig?
Een AI agent die jouw data echt kent?
Wij bouwen de laag onder je agent: de knowledge graph, de query-laag en de controle die hem gegrond houden terwijl je data en je modellen veranderen. Van eerste opzet tot beheer.
