PKM versus RAG versus Wiki versus geheugensystemen: duidelijk uitgelegd

PKM, RAG, wikis en AI-geheugensystemen worden vaak besproken alsof ze hetzelfde probleem oplossen. Dat doen ze niet. Ze hebben allemaal te maken met kennis, maar ze werken op verschillende lagen:

• PKM helpt mensen te denken.
• Wikis helpen groepen bij het behouden van gedeelde kennis.
• RAG helpt machines bij het ophalen van externe kennis.
• Geheugensystemen helpen AI-agents bij het behouden van context over tijd.

Het verwarren van deze systemen leidt tot slechte architectuur.

Je krijgt wikis vol met persoonlijke schetsnotities, RAG-systemen zonder een bron van waarheid, geheugensystemen die doen alsof het databases zijn, en PKM-tools die overbelast zijn met automatisering waar ze nooit voor ontworpen waren.

Een beter model is om ze te zien als verschillende delen van een kennisysteemsspectrum.

Dit artikel vergelijkt PKM, RAG, wikis en AI-geheugensystemen op basis van structuur, ophalen, eigendom, evolutie en praktijkvoorbeelden.

De korte versie

Systeem	Primaire gebruiker	Hoofddoel	Best voor
PKM	Individu	Ontwikkeling van persoonlijke kennis	Denken, leren, synthese
Wiki	Team of publieke groep	Onderhoud van gedeelde kennis	Documentatie, beleid, referentie
RAG	Machinesysteem	Context ophalen voor generatie	AI-antwoorden op basis van externe data
AI-geheugen	AI-agent	Context behouden over tijd	Langlopende agents en personalisatie

Het belangrijkste onderscheid is dit:

PKM en wikis structureren kennis. RAG haalt kennis op. Geheugensystemen laten agentcontext evolueren.

Dat is het kernmentalmodel.

Waarom deze systemen verward worden

Ze overlappen in zichtbaar gedrag.

Ze kunnen allemaal:

• notities opslaan
• informatie ophalen
• vragen beantwoorden
• referenties organiseren
• ideeën verbinden

Maar ze verschillen in intentie.

Een PKM-systeem is niet zomaar een private wiki. Een wiki is niet zomaar een RAG-database. Een RAG-pipeline is geen AI-geheugen. Een AI-geheugensysteem is geen vervanging voor gestructureerde documentatie.

De verwarring komt voort uit het behandelen van “kennis” als één ding.

In de praktijk heeft kennis meerdere lagen:

1. Vastleggen
2. Structureren
3. Ophalen
4. Interpreteren
5. Hergebruiken
6. Evolutie

Verschillende systemen optimaliseren verschillende fasen.

De vier paradigma’s

1. PKM

PKM staat voor persoonlijk kennismanagement.

Het is de praktijk van het vastleggen, organiseren, verbinden en gebruiken van kennis voor persoonlijk werk.

Typische PKM-systemen omvatten:

• Obsidian
• Logseq
• Notion
• eenvoudige Markdown-mappen
• Zettelkasten-systemen
• second brain-systemen

PKM wordt door mensen gedreven.

Het doel is niet alleen opslag. Het doel is beter denken.

Waar PKM goed in is

PKM werkt goed voor:

• het leren van een nieuw domein
• het ontwikkelen van originele ideeën
• het verbinden van notities over tijd
• het schrijven van artikelen of boeken
• het bijhouden van persoonlijk onderzoek
• het bouwen van een second brain

Een goed PKM-systeem is op een nuttige manier rommelig. Het ondersteunt onafgedachte gedachten, gedeeltelijke ideeën, private context en evoluerende concepten.

Dit is waarom PKM niet hetzelfde is als documentatie.

Documentatie wil duidelijkheid. PKM tolereert ambiguïteit.

PKM faalmodi

PKM faalt vaak wanneer het wordt:

• een stortplaats
• een project van map-taxonomie
• een productiviteitsaesthetiek
• een hobby in tool-optimalisatie
• een privéarchief dat niemand gebruikt

Het grootste risico is verzamelen zonder synthese.

Als je alleen informatie opslaat, heb je geen kennissysteem. Je hebt een persoonlijke stortplaats.

Mening

PKM moet optimaliseren voor hergebruik, niet voor vastlegging.

Alles vastleggen voelt productief, maar het creëert schulden. De echte waarde verschijnt wanneer notities worden verbonden, herschreven, gecomprimeerd en gebruikt in output.

2. Wiki

Een wiki is een gestructureerde kennisbank ontworpen voor gedeelde referentie.

Typische wiki-systemen omvatten:

• DokuWiki
• MediaWiki
• Confluence
• BookStack
• Git-gebaseerde documentatiesites
• interne bedrijfskennisbanken

Een wiki is meestal formeler dan PKM.

Het moet beantwoorden:

Wat weten we, en waar is de huidige versie?

Waar wikis goed in zijn

Wikis werken goed voor:

• teamdocumentatie
• operationele runbooks
• productkennis
• beleidsdocumenten
• technische referentie
• onboardingsmateriaal
• stabiele domeinkennis

Een wiki is een sociaal contract.

Het zegt:

Deze pagina is de plek waar deze kennis leeft.

Dat maakt eigendom en onderhoud cruciaal.

Wiki faalmodi

Wikis falen vaak omdat ze verouderd raken.

Vevoorkomende problemen:

• geen pagina-eigenaren
• verouderde screenshots
• dubbele pagina’s
• onduidelijke canonieke versies
• te veel hiërarchie
• geen onderhoudsroutine

Een wiki met oude informatie is erger dan geen wiki, omdat het valse zekerheid creëert.

Mening

Een wiki saai moeten zijn.

Dat is een compliment.

Een goede wiki is niet waar ideeën geboren worden. Het is waar stabiele kennis wordt bewaard nadat deze nuttig geworden is voor anderen.

3. RAG

RAG staat voor retrieval augmented generation.

Het is een AI-architectuur waarbij een systeem relevante externe informatie ophaalt voordat het een taalmodel vraagt om een antwoord te genereren.

Een basis RAG-pipeline heeft meestal:

1. Documenten
2. Chunking (opsplitsen)
3. Embeddings of zoekindex
4. Ophalen
5. Optionele reranking
6. Prompt-assemblage
7. LLM-generatie

RAG wordt door machines gedreven.

Het doel is niet het creëren van kennis. Het doel is een model relevante context te geven op het moment van de query.

Waar RAG goed in is

RAG werkt goed voor:

• vragen beantwoorden op basis van documenten
• interne search-assistants
• support-bots
• technische documentatie-assistants
• compliance-zoekopdrachten
• onderzoek over grote corpora
• het verbinden van LLM’s met bijgewerkte informatie

RAG is vooral nuttig wanneer het model de informatie niet kan of mag onthouden.

RAG faalmodi

RAG faalt vaak wanneer teams het behandelen als magische zoekfunctie.

Vevoorkomende problemen:

• slechte chunking
• zwak ophalen
• ruisende context
• ontbrekende metadata
• geen bron van waarheid
• verouderde documenten
• zwakke evaluatie
• geen feedbacklus van mensen

RAG repareert geen slecht kennismanagement.

Als de onderliggende content gefragmenteerd, verouderd of contradictorisch is, zal het RAG-systeem dat rommelt met vertrouwen naar boven halen.

Mening

RAG is geen kennisstrategie.

RAG is een toegangsstrategie.

Het helpt machines bij het toegang krijgen tot kennis, maar het bepaalt niet welke kennis geldig, onderhouden, canoniek of nuttig is.

4. AI-geheugensystemen

AI-geheugensystemen geven agents persistente context buiten een enkele prompt of conversatie om.

Ze kunnen opslaan:

• gebruikersvoorkeuren
• eerdere beslissingen
• langetermijnfeiten
• taakgeschiedenis
• samenvattingen
• reflecties
• geëxtraheerde entiteiten
• episodische herinneringen
• semantische herinneringen

Voorbeelden en gerelateerde ideeën omvatten:

• MemGPT-stijl geheugenniveaus
• langetermijn agent geheugen
• episodisch geheugen
• semantisch geheugen
• vectorgeheugen
• profielgeheugen
• tool state geheugen
• reflecterende agents

AI-geheugen wordt door agents gedreven.

Het doel is continuïteit.

Waar AI-geheugen goed in is

AI-geheugensystemen werken goed voor:

• persoonlijke assistants
• langlopende coding agents
• onderzoeksagents
• customer support agents
• tutoring-systemen
• workflow-automatisering
• persistente companions
• multi-session taakuitvoering

Geheugen is belangrijk wanneer het systeem moet doen alsof het onthoudt.

AI-geheugen faalmodi

Geheugensystemen zijn gevaarlijk wanneer ze niet beheerd worden.

Vevoorkomende problemen:

• verkeerde feiten onthouden
• te veel opslaan
• privacyrisico
• verouderde voorkeuren
• slechte geheugenranking
• geheugenvergiftiging
• geen vergetenmechanisme
• geheugen verwarren met waarheid

Een geheugensysteem heeft governance nodig.

Het moet beantwoorden:

• Wat moet onthouden worden?
• Wie heeft het goedgekeurd?
• Hoe lang moet het leven?
• Wanneer moet het vergeten worden?
• Hoe wordt het gecorrigeerd?

Mening

AI-geheugen is niet zomaar lange context.

Lange context laat een model meer tegelijk zien. Geheugen beslist wat overleeft over tijd.

Dat zijn verschillende problemen.

Kernverschillen tabel

Dimensie	PKM	Wiki	RAG	AI-geheugen
Primaire gebruiker	Individu	Team of publieke groep	AI-systeem	AI-agent
Hoofdfunctie	Denken	Gedeelde referentie	Ophalen op query-tijd	Persistentie context
Kennisstatus	Evoluerend	Gestabiliseerd	Gehaald	Adaptief
Structuur	Flexibel	Expliciet	Indexgebaseerd	Gelerend of geëxtraheerd
Ophaalstijl	Menselijke zoekopdracht en linking	Navigatie en zoekopdracht	Semantisch of hybride ophalen	Relevantie plus salience
Eigendom	Persoonlijk	Pagina- of team-eigenaren	Systeembeheerders	Agent- of gebruikersgecontroleerd
Tijdshorizon	Langetermijn persoonlijk	Langetermijn gedeeld	Query-tijd	Multi-session
Beste output	Inzicht	Betrouwbare referentie	Gebonden antwoord	Continuïteit
Hoofdrisico	Opschonen	Veroudering	Slecht ophalen	Slecht geheugen
Goede metric	Hergebruik in denken	Vertrouwen en versheid	Antwoordkwaliteit	Nuttige continuïteit

Structuur vs ophalen vs evolutie

De eenvoudigste manier om deze systemen te begrijpen, is door te vergelijken wat ze optimaliseren. De architectuurimplicaties van dit onderscheid worden diep uitgelegd in Retrieval vs Representation in Knowledge Systems.

PKM optimaliseert persoonlijke evolutie

PKM gaat over hoe je begrip verandert.

Je verzamelt materiaal, herschrijft het, verbindt het en verandert het in iets nuttigs.

De output is vaak:

• een beter mental model
• een geschreven artikel
• een beslissing
• een onderzoeksrichting
• een herbruikbaar inzicht

PKM gaat niet primair over snel ophalen. Het gaat om langetermijn sensemaking.

Wikis optimaliseren gedeelde structuur

Wikis gaan over stabiele kennis.

Ze vragen:

• Wat is het huidige antwoord?
• Wie bezit het?
• Waar moeten mensen naartoe gaan?
• Wat moet bijgewerkt worden?

Een wiki werkt wanneer mensen hem vertrouwen.

RAG optimaliseert machine-ophalen

RAG gaat over het ophalen van de juiste context op het juiste moment.

Het vraagt:

• Welke documenten zijn relevant?
• Welke chunks moeten gebruikt worden?
• Hoeveel context past erin?
• Wat moet het model citeren?

RAG werkt wanneer de ophaalkwaliteit hoog is en de broncorpus betrouwbaar.

AI-geheugen optimaliseert continuïteit

Geheugensystemen gaan over persistentie over sessies heen.

Ze vragen:

• Wat moet de agent onthouden?
• Wat moet vergeten worden?
• Welk geheugen is nu belangrijk?
• Hoe moet geheugen het gedrag veranderen?

Geheugen werkt wanneer het toekomstig gedrag verbetert zonder de agent te vervuilen met verouderde of onjuiste context.

Wanneer PKM gebruiken

Gebruik PKM wanneer de kennis persoonlijk, onaf of verkennend is.

Goede scenario’s:

• leren over gedistribueerde systemen
• plannen van artikelen
• onderzoek naar LLM-architectuur
• verzamelen van boeknotities
• bouwen van een second brain
• bijhouden van persoonlijke experimenten

Gebruik PKM wanneer je nog aan het denken bent.

Voorbeeld

Je leert over RAG-evaluatie.

Je verzamelt:

• artikelen
• benchmarknotities
• diagrammen
• implementatie-ideeën
• falen uit je eigen experimenten

Dit hoort eerst in PKM.

Later, zodra de kennis stabiliseert, kun je een artikel publiceren of het omzetten in documentatie.

Wanneer een wiki gebruiken

Gebruik een wiki wanneer kennis gedeeld en onderhouden moet worden.

Goede scenario’s:

• team-onboarding
• API-documentatie
• operationele runbooks
• architectuurbeslisrecords
• productkennis
• deploy instructies
• supportprocedures

Gebruik een wiki wanneer anderen een betrouwbaar antwoord nodig hebben.

Voorbeeld

Je team heeft één correcte manier om een Hugo-site te deployen naar S3 en CloudFront.

Dat hoort niet alleen in iemands privénotities.

Het hoort in een wiki of documentatiesysteem met duidelijk eigendom.

Wanneer RAG gebruiken

Gebruik RAG wanneer een AI-systeem toegang nodig heeft tot externe kennis op het moment van de query.

Goede scenario’s:

• chatbot over documentatie
• search-assistent over interne docs
• support-assistent over helpartikelen
• juridische of compliance-assistent
• onderzoek over grote documentsets
• developer-assistent over code-docs

Gebruik RAG wanneer het probleem is:

Het model heeft informatie nodig die buiten zijn weights leeft.

Voorbeeld

Je hebt honderden technische artikelen en wilt dat een assistent vragen beantwoordt met behulp van deze.

RAG is een goede match.

Maar alleen als de documenten schoon genoeg zijn om van te halen.

Wanneer AI-geheugen gebruiken

Gebruik AI-geheugen wanneer een agent continuïteit nodig heeft.

Goede scenario’s:

• coding agents die projectconventies onthouden
• persoonlijke assistants die voorkeuren onthouden
• onderzoeksagents die lange onderzoeken voortzetten
• tutoring agents die voortgang van studenten onthouden
• support agents die eerdere interacties onthouden
• autonome agents die doelen bijhouden

Gebruik geheugen wanneer het systeem over tijd moet verbeteren.

Voorbeeld

Een coding agent moet onthouden:

• het project gebruikt Go
• tests draaien met een specifiek commando
• de gebruiker prefereert minimale dependencies
• database migraties volgen een conventie

Dat is niet zomaar ophalen. Het is persistent operating context.

Hoe deze systemen combineren

De meest nuttige systemen zijn hybriden.

Een volwassen kennisarchitectuur kan er zo uitzien:

1. PKM voor persoonlijke verkenning
2. Wiki voor stabiele gedeelde kennis
3. RAG voor machine-toegang
4. AI-geheugen voor continuïteit van langlopende agents

Elke laag heeft een taak.

Patroon 1. PKM naar wiki

Dit is de menselijke kennispijpleiding.

Stroming:

1. Notities privé vastleggen
2. Ideeën verbinden
3. Inzichten destilleren
4. Stabiele kennis publiceren
5. Behouden als gedeelde referentie

Dit is hoe persoonlijk onderzoek organisatiekennis wordt.

Voorbeeld

Je doet onderzoek naar self-hosted kennistools in Obsidian.

Na het testen van DokuWiki, Nextcloud en statische Markdown-systemen, schrijf je een stabiele gids in je site of teamwiki.

PKM creëerde het inzicht. De wiki behoudt het resultaat.

Patroon 2. Wiki naar RAG

Dit is de machine-toegangspijpleiding.

Stroming:

1. Canonieke wikipagina’s onderhouden
2. Ze indexeren
3. Relevante secties ophalen
4. Gebonden antwoorden genereren
5. Teruglinken naar bronnen

Dit is een van de cleanste RAG-patronen.

De wiki blijft de bron van waarheid. RAG wordt de toegangs laag.

Voorbeeld

Een support-bot beantwoordt vragen met behulp van een productwiki.

De bot mag de wiki niet vervangen. Het moet citeren en gebruikers terugrouten naar de canonieke pagina’s.

Patroon 3. RAG plus geheugen

Dit is de agentcontinuïteitspijpleiding.

Stroming:

1. RAG haalt externe feiten op
2. Geheugen slaat gebruikers- of taakcontext op
3. De agent combineert beide
4. Toekomstig gedrag verbetert

RAG beantwoordt:

Wat zegt de kennisbank?

Geheugen beantwoordt:

Wat is belangrijk over deze gebruiker, project of taak?

Voorbeeld

Een coding agent gebruikt RAG om framework-docs op te halen.

Het gebruikt geheugen om te onthouden dat je project ORMs vermijdt, sqlc prefereert en gestructureerde logging gebruikt.

Dat zijn verschillende kenistypen.

Patroon 4. PKM plus AI-assistent

Dit is de hybride denkpijpleiding.

Stroming:

1. Mens legt notities vast
2. AI samenvat en suggereert links
3. Mens bewerk en valideert
4. Kennis wordt gestructureerder
5. Sommige pagina’s gradueren naar wiki of publicatie

De AI versterkt het PKM-systeem, maar het mag de waarheid niet bezitten.

Voorbeeld

Een AI-assistent kan verbindingen suggereren tussen notities over RAG, geheugensystemen en LLM Wiki.

Maar de mens beslist welke verbindingen betekenisvol zijn.

Veelgemaakte architectuurfouten

Fout 1. RAG behandelen als een wiki

RAG is geen kennisbank.

Het creëert niet automatisch een canonieke structuur. Het haalt op van wat er bestaat.

Als de bronnen documenten slecht zijn, wordt RAG een zelfverzekerde interface naar slechte kennis.

Fout 2. Geheugen behandelen als een database

AI-geheugen is selectieve context, niet algemene opslag.

Een database slaat records op. Geheugen verandert gedrag.

Als je exacte feiten nodig hebt, gebruik dan een database of kennisbank. Als je continuïteit nodig hebt, gebruik dan geheugen.

Fout 3. PKM behandelen als documentatie

PKM kan rommelig zijn.

Documentatie moet dat niet zijn.

Privénotities kunnen half-gevormde ideeën bevatten. Gedeelde documentatie moet stabiele, onderhouden kennis bevatten.

Fout 4. Een wiki behandelen als een denkhulpmiddel

Een wiki kan denken ondersteunen, maar het is niet ideaal voor vroege verkenning.

Als elk vroege gedachte een gepolijste pagina moet worden, stoppen mensen met schrijven.

Gebruik PKM voor ruw denken. Gebruik wikis voor duurzame kennis.

Fout 5. Lange context behandelen als geheugen

Lange context is geen geheugen.

Het helpt alleen terwijl de context aanwezig is.

Geheugen persisteert, selecteert, updateert en vergeten soms.

Beslisgids

Gebruik dit eenvoudige beslismodel.

Als de kennis privé en evoluerend is

Gebruik PKM.

Als de kennis gedeeld en stabiel is

Gebruik een wiki.

Als een AI moet antwoorden vanuit externe documenten

Gebruik RAG.

Als een agent continuïteit over tijd nodig heeft

Gebruik geheugen.

Als je alle vier nodig hebt

Bouw een gelaagd systeem.

Dwing niet één tool om elke taak te doen.

Het kennisysteemsspectrum

Deze systemen vormen een spectrum van menselijk denken tot AI-continuïteit.

Laag	Systeem	Rol
Menselijk denken	PKM	Verkennen en synthetiseren
Gedeelde structuur	Wiki	Behouden en onderhouden
Machine-toegang	RAG	Ophalen en genereren
Agentcontinuïteit	Geheugen	Persistenten en adaptief

De richting doet ertoe.

Kennis begint vaak als persoonlijk denken, wordt gedeelde structuur, wordt geïndexeerd voor machine-ophalen en wordt dan onderdeel van persistent agentgedrag.

Dat is de moderne kennisstack.

Waar LLM Wiki past

LLM Wiki-stijl systemen zitten tussen wiki en AI-architectuur.

Ze zijn geen klassieke RAG.

In plaats van alleen chunks op te halen op query-tijd, proberen ze kennis vooraf te structureren in pagina’s, samenvattingen, entiteiten en links.

Dat maakt ze dichter bij gecompileerde kennissystemen.

Een nuttige plaatsing:

Systeem	Positie
Wiki	Door mensen onderhouden gestructureerde kennis
RAG	Machine-ophalen op query-tijd
LLM Wiki	Machine-gestructureerde kennis op ingest-tijd
Geheugen	Agent-persistent context

Dit is waarom LLM Wiki behoort bij kennisysteemarchitectuur, niet binnen gewone RAG.

Praktische voorbeelden

Voorbeeld 1. Persoonlijke technische blog

Een technische blogger kan gebruiken:

• PKM voor onderzoeksnotities
• Hugo-site als gepubliceerde kennis
• interne linking als wiki-achtige structuur
• RAG later voor sitezoekopdracht
• AI-geheugen voor schrijfassistent-voorkeuren

Dit is een sterke architectuur.

Het houdt menselijk oordeel in het centrum terwijl het toch AI-ondersteuning toelaat.

Voorbeeld 2. Engineering team

Een engineeringteam kan gebruiken:

• PKM voor individueel leren
• wiki voor standaarden en runbooks
• RAG-assistent voor interne docs
• geheugen voor coding agents die binnen repositories werken

De wiki moet canoniek blijven.

De RAG-assistent mag geen proces uitvinden. De geheugensysteem moet projectvoorkeuren onthouden, niet architectuurbeslissingen vervangen.

Voorbeeld 3. AI-onderzoekswerkflow

Een onderzoeker kan gebruiken:

• PKM voor paper-notities
• wiki voor stabiele samenvattingen
• RAG voor literatuurzoekopdracht
• geheugen voor langlopende onderzoeksagents

Dit werkt omdat elke laag een andere tijdschaal afhandelt.

Beveiliging en governance

Kennissystemen worden riskant wanneer ze gevoelige of verouderde informatie opslaan.

PKM governance

Vragen:

• Wat moet privé blijven?
• Wat moet gepubliceerd worden?
• Wat moet verwijderd worden?

Wiki governance

Vragen:

• Wie bezit elke pagina?
• Wanneer is het voor het laatst beoordeeld?
• Wat is canoniek?

RAG governance

Vragen:

• Welke bronnen zijn geïndexeerd?
• Zijn antwoorden geciteerd?
• Hoe wordt ophalen geëvalueerd?
• Welke content is uitgesloten?

Geheugen governance

Vragen:

• Wat wordt onthouden?
• Kunnen gebruikers geheugen inspecteren?
• Kunnen gebruikers geheugen verwijderen?
• Hoe worden verkeerde herinneringen gecorrigeerd?

Geheugen heeft de strengste governance nodig omdat het toekomstig gedrag stilletjes kan beïnvloeden.

SEO- en contentstrategienotitie

Als je een technische site runt, is dit onderscheid niet alleen architecturaal. Het is ook redactioneel.

Je kunt content zo inrichten:

• PKM-pagina’s leggen menselijke kennispraktijken uit.
• Wiki-pagina’s leggen gestructureerde kennissystemen uit.
• RAG-pagina’s leggen ophaaltechniek uit.
• Geheugenpagina’s leggen persistent AI-gedrag uit.
• Architectuurpagina’s vergelijken en verbinden de paradigma’s.

Dit geeft je site een schoon autoriteitsnetwerk in plaats van een hoop losjes gerelateerde AI-artikelen.

Slotconclusie

PKM, RAG, wikis en AI-geheugensystemen zijn geen concurrenten.

Ze zijn verschillende antwoorden op verschillende vragen.

PKM vraagt:

Hoe denk ik beter over tijd?

Een wiki vraagt:

Wat weten we, en waar is de vertrouwde versie?

RAG vraagt:

Welke externe context moet het model nu gebruiken?

AI-geheugen vraagt:

Wat moet deze agent onthouden voor de toekomst?

Zodra je die vragen scheidt, wordt de architectuur duidelijk.

Gebruik PKM voor denken. Gebruik wikis voor gedeelde waarheid. Gebruik RAG voor ophalen. Gebruik geheugen voor continuïteit.

De toekomst is niet één kennissysteem dat alle anderen vervangt.

De toekomst is gelaagde kennisarchitectuur. Voor tools, methoden en self-hosted platforms over het volledige kennismanagement spectrum, de cluster pillar mapt het terrein.

Bronnen en verdere lezing

• https://cloud.google.com/use-cases/retrieval-augmented-generation
• https://aws.amazon.com/what-is/retrieval-augmented-generation/
• https://www.ibm.com/think/topics/retrieval-augmented-generation
• https://www.ibm.com/think/topics/knowledge-management
• https://arxiv.org/abs/2310.08560
• https://research.memgpt.ai/
• https://zettelkasten.de/posts/building-a-second-brain-and-zettelkasten/