PKM versus RAG versus Wiki versus geheugensystemen: duidelijk uitgelegd

PKM, RAG, wikis, AI-geheugensystemen en nu praktische, door AI-assisted workflows 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 om gedeelde kennis te behouden.
• RAG helpt machines om externe kennis op te halen.
• Geheugensystemen helpen AI-agents om context over tijd te behouden.

Het verwarren van deze systemen leidt tot slechte architectuur.

Je krijgt wikis vol met persoonlijke schetsnotities, RAG-systemen zonder bron van waarheid, geheugensystemen die doen alsof ze 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 onderdelen van een spectrums van kennissystemen.

Dit artikel vergelijkt PKM, RAG, wikis en AI-geheugensystemen op basis van structuur, ophalen, eigendom, evolutie en praktische use cases. Als je wilt zien hoe deze abstracties eruitzien wanneer ze worden toegepast op concrete dagelijkse notitie-taking, documentatie en runbook-onderhoud, dan beschrijft het bijhorende artikel AI for Knowledge Management: Real Workflows That Hold Up pipelines voor samenvatting, extractie en koppeling die bovenop PKM- en wikifundamenten rusten in plaats van ze te vervangen.

De korte versie

Systeem	Primaire gebruiker	Hoofddoel	Beste voor
PKM	Individueel	Ontwikkeling van persoonlijke kennis	Denken, leren, synthese
Wiki	Team of publieke groep	Behoud van gedeelde kennis	Documentatie, beleidsregels, referentie
RAG	Machinesysteem	Ophalen van context voor generatie	AI-antwoorden over externe data
AI-geheugen	AI-agent	Behoud van context over tijd	Langlopende agents en personalisatie

Het belangrijkste onderscheid is dit:

PKM en wikis structureren kennis. RAG haalt kennis op. Geheugensystemen laten agent-context evolueren.

Dat is het kernmentale model.

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. Interpretatie
5. Hergebruik
6. Evolutie

Verschillende systemen optimaliseren verschillende fasen.

De vier paradigma’s

1. PKM

PKM staat voor personal knowledge management.

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

Typische PKM-systemen omvatten:

• Obsidian
• Logseq
• Notion
• simpele 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.

Daarom is PKM niet hetzelfde als documentatie.

Documentatie zoekt duidelijkheid. PKM tolereert ambiguïteit.

PKM-foutmodi

PKM faalt vaak wanneer het wordt:

• een stortplaats
• een mappen-taxonomie-project
• een productiviteitsaesthetic
• een hobby voor tool-optimalisatie
• een private archief dat niemand gebruikt

Het grootste risico is verzamelen zonder synthese.

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

Opiniestuk

PKM moet optimaliseren voor hergebruik, niet voor vastleggen.

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

2. Wiki

Een wiki is een gestructureerde kennisbank ontworpen voor gedeelde referentie.

Typische wiki-systemen omvatten:

• DokuWiki
• MediaWiki
• Confluence
• BookStack
• op 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
• onboarding-materiaal
• stabiele domeinkennis

Een wiki is een sociaal contract.

Het zegt:

Deze pagina is de plek waar deze kennis leeft.

Dat maakt eigendom en onderhoud kritiek.

Wiki-foutmodi

Wikis falen vaak omdat ze verouderd raken.

Vevoorkomende problemen:

• geen pagina-eigenaars
• verouderde screenshots
• dubbele pagina’s
• onduidelijke canonieke versies
• te veel hiërarchie
• geen onderhoudsrhythm

Een wiki met oude informatie is slechter dan geen wiki, omdat het false confidence creëert.

Opiniestuk

Een wiki moet saai zijn.

Dat is een compliment.

Een goede wiki is niet waar ideeën geboren worden. Het is waar stabiele kennis wordt behouden nadat het nuttig is geworden 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
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 het geven van relevante context aan een model op het moment van de query.

Waar RAG goed in is

RAG werkt goed voor:

• vraagbeantwoording over documenten
• interne search-assistants
• support-bots
• technische documentatie-assistants
• compliance-lookup
• onderzoek over grote corpora
• het verbinden van LLMs met bijgewerkte informatie

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

RAG-foutmodi

RAG faalt vaak wanneer teams het behandelen als magische zoekfunctie.

Vevoorkomende problemen:

• slechte chunking
• zwak ophalen
• ruiscontext
• ontbrekende metadata
• geen bron van waarheid
• verouderde documenten
• zwakke evaluatie
• geen menselijke feedbacklus

RAG lost slecht knowledge management niet op.

Als de onderliggende inhoud gefragmenteerd, verouderd of tegenstrijdig is, zal het RAG-systeem die rommel met vertrouwen tonen.

Opiniestuk

RAG is geen kennisstrategie.

RAG is een toegangsstrategie.

Het helpt machines om toegang te 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.

Ze kunnen opslaan:

• gebruikersvoorkeuren
• eerdere beslissingen
• langetermijnfeiten
• taakhistorie
• samenvattingen
• reflecties
• geëxtraheerde entiteiten
• episodisch geheugen
• semantisch geheugen

Voorbeelden en gerelateerde ideeën omvatten:

• MemGPT-stijl geheugenniveaus
• langetermijnagentengeheugen
• 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 zich moet gedragen alsof het onthoudt.

AI-geheugen-foutmodi

Geheugensystemen zijn gevaarlijk wanneer ze niet beheerd worden.

Vevoorkomende problemen:

• verkeerde feiten onthouden
• te veel opslaan
• privérisk
• verouderde voorkeuren
• slechte geheugentracking
• geheugenvervuiling
• geen vergetenmechanisme
• het verwarren van geheugen 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?

Opiniestuk

AI-geheugen is niet zomaar lange context.

Lange context laat een model meer tegelijk zien. Geheugen bepaalt wat overleeft door de tijd heen.

Op het engineeringlaag — working memory, gestructureerde state, retrieval memory en consolidatiebeleid in OpenClaw, Hermes en provider SDKs — wordt die splitsing uitgepakt in Memory Systems in AI Assistants.

Dat zijn verschillende problemen.

Kernverschillen tabel

Dimensie	PKM	Wiki	RAG	AI-geheugen
Primaire gebruiker	Individueel	Team of publieke groep	AI-systeem	AI-agent
Hoofdfunctie	Denken	Gedeelde referentie	Ophalen op query-tijd	Persistent context
Kennisstatus	Evoluerend	Gestabiliseerd	Gehaald	Adaptief
Structuur	Flexibel	Expliciet	Index-gebaseerd	Geleerd of geëxtraheerd
Ophaalstijl	Menselijke zoek- en linking	Navigatie en zoek	Semantisch of hybride ophalen	Relevantie plus salience
Eigendom	Persoonlijk	Pagina- of team-eigenaars	Systeembeheerders	Agent- of gebruikerbestuurd
Tijdshorizon	Langetermijn persoonlijk	Langetermijn gedeeld	Query-tijd	Multi-session
Beste output	Inzicht	Betrouwbare referentie	Gebaseerd antwoord	Continuïteit
Hoofdrisico	Opschonen	Veroudering	Slecht ophalen	Slecht geheugen
Goede metric	Hergebruik in denken	Vertrouwen en frisheid	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 dat onderscheid worden diep behandeld in Retrieval vs Representation in Knowledge Systems.

PKM optimaliseert persoonlijke evolutie

PKM gaat over hoe je begrip verandert.

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

De output is vaak:

• een beter mentaal model
• een geschreven artikel
• een beslissing
• een onderzoeksroutine
• een herbruikbaar inzicht

PKM gaat niet primair om snelle lookup. Het gaat om langetermijn sensemaking.

Wikis optimaliseren gedeelde structuur

Wikis gaan over stabiele kennis.

Ze vragen:

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

Een wiki werkt wanneer mensen erop 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 across sessions.

Ze vragen:

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

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

Wanneer PKM te gebruiken

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

Goede scenario’s:

• het leren van gedistribueerde systemen
• het plannen van artikelen
• het onderzoeken van LLM-architectuur
• het verzamelen van boeknotities
• het bouwen van een second brain
• het 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
• faalangsten uit je eigen experimenten

Dit behoort eerst tot PKM.

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

Wanneer een wiki te gebruiken

Gebruik een wiki wanneer kennis gedeeld en onderhouden moet worden.

Goede scenario’s:

• team onboarding
• API-documentatie
• operationele runbooks
• architecture decision records
• productkennis
• instructies voor implementatie
• supportprocedures

Gebruik een wiki wanneer anderen een betrouwbaar antwoord nodig hebben.

Voorbeeld

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

Dat behoort niet alleen tot de private notities van iemand.

Het behoort tot een wiki of documentatiesysteem met duidelijk eigendom.

Wanneer RAG te gebruiken

Gebruik RAG wanneer een AI-systeem toegang nodig heeft tot externe kennis op query-tijd.

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 daarvan.

RAG is een goede fit.

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

Wanneer AI-geheugen te 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 studentprogressie 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 geeft de voorkeur aan minimale dependencies
• databasemigraties volgen een conventie

Dat is niet zomaar ophalen. Het is persistent operating context — het onderscheid dat dit artikel maakt tussen RAG en agent-geheugen, met implementatiedetails in Memory Systems in AI Assistants.

Hoe deze systemen combineren

De meest nuttige systemen zijn hybriden.

Een volwassen kennisarchitectuur kan er zo uitzien:

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

Elke laag heeft een functie.

Pattern 1. PKM naar wiki

Dit is de menselijke kennispipeline.

Stroom:

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

Zo wordt persoonlijk onderzoek organisatiekennis.

Voorbeeld

Je onderzoekt self-hosted kennistools in Obsidian.

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

PKM creëerde het inzicht. De wiki behoudt het resultaat.

Pattern 2. Wiki naar RAG

Dit is de machine-toegangspipeline.

Stroom:

1. Canonieke wiki-pagina’s onderhouden
2. Ze indexeren
3. Relevante secties ophalen
4. Gebaseerde antwoorden genereren
5. Teruglinken naar bronnen

Dit is een van de schoonste RAG-patterns.

De wiki blijft de bron van waarheid. RAG wordt de toegangslaag.

Voorbeeld

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

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

Pattern 3. RAG plus geheugen

Dit is de agent-continuïteitspipeline.

Stroom:

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 voor 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 voorkeur geeft en gestructureerde logging gebruikt.

Dat zijn verschillende soorten kennis.

Pattern 4. PKM plus AI-assistent

Dit is de hybride denkpipeline.

Stroom:

1. Mens legt notities vast
2. AI samenvat en stelt links voor
3. Mens bewerkt en valideert
4. Kennis wordt gestructureerder
5. Sommige pagina’s promoveren naar wiki of publicatie

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

Voorbeeld

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

Maar de mens beslist welke verbindingen betekenisvol zijn.

Veelvoorkomende architectuurfouten

Fout 1. RAG behandelen als een wiki

RAG is geen kennisbank.

Het creëert niet automatisch een canonieke structuur. Het haalt op uit 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, geen 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 mag dat niet.

Private notities 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 exploratie.

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 zolang de context aanwezig is.

Geheugen persisteert, selecteert, updateert en soms vergeten.

Beslisgids

Gebruik dit simpele 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 uit externe documenten

Gebruik RAG.

Als een agent continuïteit over tijd nodig heeft

Gebruik geheugen.

Als je alle vier nodig hebt

Bouw een gelaagd systeem.

Forceer niet dat één tool elk werk doet.

Het spectrums van kennissystemen

Deze systemen vormen een spectrums van menselijk denken naar AI-continuïteit.

Laag	Systeem	Rol
Menselijk denken	PKM	Verken en synthetiseer
Gedeelde structuur	Wiki	Behoud en onderhoud
Machine-toegang	RAG	Haal op en genereer
Agent-continuïteit	Geheugen	Persisteer en adapteer

De richting is belangrijk.

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

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	Ophalen door machines op query-tijd
LLM Wiki	Machine-gestructureerde kennis op ingest-tijd
Geheugen	Persistent agent-context

Daarom behoort LLM Wiki bij kennisarchitectuur, niet binnen gewone RAG.

Praktische voorbeelden

Voorbeeld 1. Persoonlijke technische blog

Een technisch blogger zou kunnen gebruiken:

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

Dit is een sterke architectuur.

Het houdt menselijk oordeel centraal terwijl het toch AI-ondersteuning toestaat.

Voorbeeld 2. Engineering team

Een engineering team zou kunnen gebruiken:

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

De wiki moet canoniek blijven.

De RAG-assistent mag geen proces verzinnen. De geheugenlaag moet projectvoorkeuren onthouden, geen architectuurbeslissingen vervangen.

Voorbeeld 3. AI-onderzoekswerkflow

Een onderzoeker zou kunnen gebruiken:

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

Dit werkt omdat elke laag een andere tijdschaal behandelt.

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 is eigenaar van 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 inhoud is uitgesloten?

Geheugengovernance

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 stil kan beïnvloeden.

SEO en contentstrategie-opmerking

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

Je kunt content zo in kaart brengen:

• PKM-pagina’s verklaren menselijke kennisperspectieven.
• Wiki-pagina’s verklaren gestructureerde kennissystemen.
• RAG-pagina’s verklaren ophaalengineering.
• Geheugpagina’s verklaren persistent AI-gedrag.
• Architectuurpagina’s vergelijken en verbinden de paradigma’s.

Dit geeft je site een clean authority mesh in plaats van een hoop losjes gerelateerde AI-artikelen.

Conclusie

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 knowledge management spectrum, mappt de cluster pillar het terrein.

Bronnen en verder lezen

• 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/