# RAG Architecture and Internals: Hoe het echt werkt

In [Deel 1](/blog/rag-primer), we behandelden de oorsprong van RAG's, fundamentals, en waarom het belangrijk is. Je begrijpt het concept op hoog niveau: haal relevante informatie op, dan gebruiken we het om reacties te genereren. Nu duiken we diep in de technische architectuur ... precies hoe RAG-systemen werken onder de motorkap, van whunking strategieën tot LLM internals zoals tokens en KV caches.

<datetime class="hidden">2025-11-22T09:30</datetime>

<!-- category -- AI, RAG, Machine Learning, Semantic Search, LLM, AI-Article -->
# Inleiding

**Serienavigatie:** Dit is deel 2 van de RAG-reeks:

- [Deel 1: Oorsprongen en Fundamentelen](/blog/rag-primer) - Geschiedenis, motivatie en kernbegrippen
- **Deel 2: Architectuur en interne aangelegenheden** (dit artikel) - Technische diepe duik in hoe RAG werkt
- [Deel 3: RAG in de praktijk](/blog/rag-practical-applications) - Bouwen van echte systemen, uitdagingen en geavanceerde technieken
- [Deel 4a: ONNX- en Qdrant-implementatie](/blog/semantic-search-with-onnx-and-qdrant) - CPU-vriendelijke semantische zoekstichting
- [Deel 4b: Semantisch zoeken in actie](/blog/semantic-search-in-action) - Typeahead, hybride zoekopdracht, en UI
- [Deel 5: Hybrid Search & Auto-Indexing](/blog/rag-hybrid-search-and-indexing) - Productie-integratiepatronen
- [Deel 6: GraphRAG](/blog/graphrag-knowledge-graphs-for-rag) - Kennisgrafieken voor corpus-level begrip

Als je deel 1 nog niet gelezen hebt, raad ik je aan om daar te beginnen om te begrijpen:

- Wat RAG is en waarom het belangrijk is
- De geschiedenis van trefwoord zoeken naar semantisch begrip
- RAG vs fine-tuning en andere benaderingen

Dit artikel gaat ervan uit dat je die basisbegrippen begrijpt en focust op **technische architectuur, implementatiedetails, en LLM internes**.

[TOC]

# Hoe RAG werkt: De volledige foto

Laten we precies afbakenen wat er gebeurt in een RAG-systeem, vanaf het moment dat je een document toevoegt tot wanneer een gebruiker een antwoord krijgt.

## Fase 1: Indexering (voorbereiding van de kennisbasis)

Voordat RAG iets kan ophalen, moet u uw kennisbasis indexeren. Dit is een eenmalig proces (hoewel u later nieuwe documenten kunt toevoegen).

```mermaid
flowchart TB
    A[Source Documents] -->|1. Extract Text| B[Text Extraction]
    B -->|2. Split into Chunks| C[Chunking Service]
    C -->|3. Generate Embeddings| D[Embedding Model]
    D -->|4. Store Vectors| E[Vector Database]

    B -.Metadata.-> E

    subgraph "Example: Blog Post"
        F["Understanding Docker: A containerization platform..."]
    end

    subgraph "Chunks"
        G["Chunk 1: Title + Intro"]
        H["Chunk 2: Benefits Section"]
    end

    subgraph "Embeddings"
        I["0.234, 0.891, 0.567, ..."]
        J["0.445, 0.123, 0.789, ..."]
    end

    F --> G
    F --> H
    G --> I
    H --> J

    style D stroke:#f9f,stroke-width:2px
    style E stroke:#bbf,stroke-width:2px
```

### Stap 1: Tekstextractie

Uitpakken van platte tekst uit uw brondocumenten. Dit kan zijn:

- Bestanden markeren (zoals mijn blogberichten)
- PDF's (voor documentatie)
- HTML (voor web scraping)
- Databaserecords
- E-mails, chatlogs, enz.

**Voorbeeld van mijn blog:**

```csharp
// From MarkdownRenderingService
public string ExtractPlainText(string markdown)
{
    // Remove code blocks
    var withoutCode = Regex.Replace(markdown, @"```[\s\S]*?```", "");

    // Convert markdown to plain text
    var document = Markdown.Parse(withoutCode);
    var plainText = document.ToPlainText();

    return plainText.Trim();
}
```

### Stap 2: Chunking

Dit is waar de meeste RAG-implementaties falen. Je kunt niet zomaar splitsen op alineagrenzen - je hebt semantisch samenhangende brokken nodig.

**Waarom wrikken er toe doet:**

- LLM's hebben tokenlimieten (contextvensters)
- Kleinere brokken = nauwkeuriger ophalen
- Maar brokken moeten genoeg context bevatten om betekenisvol te zijn

**Slechte brok:**

```
Chunk 1: "Docker is a containerization platform. It allows you"
Chunk 2: "to package applications with their dependencies. This"
Chunk 3: "ensures consistency across environments."
```

**Goed gesnoeid:**

```
Chunk 1: "Docker is a containerization platform. It allows you to package applications with their dependencies. This ensures consistency across environments."

Chunk 2: "Benefits of Docker:
- Isolation: Each container runs in its own environment
- Portability: Containers run anywhere Docker is installed
- Efficiency: Lightweight compared to virtual machines"
```

**Voorbeeld van mijn semantische zoekimplementatie:**

```csharp
public class TextChunker
{
    private const int TargetChunkSize = 500; // ~500 words
    private const int ChunkOverlap = 50;     // 50 words overlap

    public List<Chunk> ChunkDocument(string text, string sourceId)
    {
        var chunks = new List<Chunk>();

        // Split on section boundaries first (## headers in markdown)
        var sections = SplitOnHeaders(text);

        foreach (var section in sections)
        {
            // If section is small enough, keep it whole
            if (section.WordCount < TargetChunkSize)
            {
                chunks.Add(new Chunk
                {
                    Text = section.Text,
                    SourceId = sourceId,
                    SectionHeader = section.Header
                });
            }
            else
            {
                // Split large sections on sentence boundaries
                var subChunks = SplitOnSentences(section.Text, TargetChunkSize, ChunkOverlap);
                chunks.AddRange(subChunks.Select(c => new Chunk
                {
                    Text = c,
                    SourceId = sourceId,
                    SectionHeader = section.Header
                }));
            }
        }

        return chunks;
    }
}
```

**Gemeenschappelijke brokagestrategieën:**

- **Vaste grootte**: Eenvoudig maar doorbreekt semantische grenzen
- **Op basis van veroordelingen**: Respecteert grammatica maar kan te klein zijn
- **Alinea's**: Natuurlijke maar variabele grootte
- **Op basis van de afdeling**: Beste voor gestructureerde inhoud (mijn voorkeur)
- **Schuifvenster met overlapping**: Zorgt ervoor dat er geen context verloren gaat aan grenzen

### Stap 3: Inbeddingen genereren

Inbeddingen zijn de magie die semantisch zoeken mogelijk maakt. Een inbedding is een vector (array van getallen) die de betekenis van tekst vertegenwoordigt.

**Sleutelbegrip:** Soortgelijke betekenissen → soortgelijke vectoren

```
"Docker container" → [0.234, -0.891, 0.567, ..., 0.123]
"containerization platform" → [0.221, -0.903, 0.534, ..., 0.119]
"apple fruit" → [0.891, 0.234, -0.567, ..., -0.789]
```

De eerste twee vectoren zouden "sluiten" in vectorruimte (hoge cosinus overeenkomst), terwijl de derde is ver weg.

**Hoe inbeddingen worden gegenereerd:**
Moderne inbedding modellen zijn neurale netwerken getraind op enorme tekst datasets om semantische relaties te leren.

- **all-MiniLM-L6-v2**: 384 dimensies, snel, goede kwaliteit (wat ik gebruik op deze blog)
- **tekst-embedding-3-small** (OpenAI): 1536 afmetingen, zeer hoge kwaliteit
- **BGE-basis**: 768 dimensies, state-of-the-art open source

**Voorbeeld van mijn ONNX-inbeddingsdienst:**

```csharp
public async Task<float[]> GenerateEmbeddingAsync(string text)
{
    // Tokenize the input text
    var tokens = Tokenize(text);

    // Create input tensors for ONNX model
    var inputIds = CreateInputTensor(tokens);
    var attentionMask = CreateAttentionMaskTensor(tokens.Length);
    var tokenTypeIds = CreateTokenTypeIdsTensor(tokens.Length);

    // Run ONNX inference
    var inputs = new List<NamedOnnxValue>
    {
        NamedOnnxValue.CreateFromTensor("input_ids", inputIds),
        NamedOnnxValue.CreateFromTensor("attention_mask", attentionMask),
        NamedOnnxValue.CreateFromTensor("token_type_ids", tokenTypeIds)
    };

    using var results = _session.Run(inputs);

    // Extract the output (sentence embedding)
    var output = results.First().AsTensor<float>();
    var embedding = output.ToArray();

    // L2 normalize the vector for cosine similarity
    return NormalizeVector(embedding);
}
```

**Waarom normalisatie belangrijk is:** Na L2 normalisatie, cosinus overeenkomst wordt een eenvoudige punt product, waardoor zoeken veel sneller.

### Stap 4: Opslaan in Vector Database

Vector databases zijn geoptimaliseerd voor het opslaan en zoeken van high-dimensionale vectoren. In tegenstelling tot traditionele databases die gebruik maken van SQL queries, vector databases gebruiken gelijkenis zoeken.

**Sleutelbewerkingen:**

- **Upsert**: Een vector toevoegen of bijwerken met metadata
- **Zoeken**: Zoek K meest vergelijkbare vectoren als een query vector
- **Filter**: Combineer vector zoeken met metadata filters

**Voorbeeld Qdrant-implementatie:**

```csharp
public async Task IndexDocumentAsync(
    string id,
    float[] embedding,
    Dictionary<string, object> metadata)
{
    var point = new PointStruct
    {
        Id = new PointId { Uuid = id },
        Vectors = embedding,
        Payload =
        {
            ["title"] = metadata["title"],
            ["source"] = metadata["source"],
            ["chunk_index"] = metadata["chunk_index"],
            ["created_at"] = DateTime.UtcNow.ToString("O")
        }
    };

    await _client.UpsertAsync(
        collectionName: "blog_posts",
        points: new[] { point }
    );
}
```

**Populaire vectordatabases:**

- **Qdrant**: Snel, zelf-hostable, uitstekende C# ondersteuning (mijn keuze)
- **pgvector**: PostgreSQL extensie (geweldig als je Postgres al gebruikt)
- **Pinecone**: Managed service (dure maar goede)
- **Weaviate**: Feature-rijk, goed voor complexe schema's
- **ChromaDB**: Python-gericht, lichtgewicht

We onderzoeken het opzetten van deze databases in de komende artikelen.

## Fase 2: Retrieval (Zoeken naar relevante informatie)

Wanneer een gebruiker een vraag stelt, moet het RAG-systeem de meest relevante informatie uit de kennisbasis vinden.

```mermaid
flowchart LR
    A["User Query:<br/>'How do I use Docker Compose?'"] --> B[Generate Query Embedding]
    B --> C["Query Vector:<br/>[0.445, -0.123, ...]"]
    C --> D[Vector Search]
    D --> E[Vector Database]
    E --> F[Top K Similar Chunks]
    F --> G["Results:<br/>1. Docker Compose Basics 0.92<br/>2. Multi-Container Setup 0.87<br/>3. Service Configuration 0.83"]

    style B stroke:#f9f,stroke-width:3px
    style D stroke:#bbf,stroke-width:3px
```

### Stap 1: Inbedding van zoekopdrachten genereren

De vraag van de gebruiker wordt omgezet naar een vector met behulp van de **hetzelfde inbeddingsmodel** Dit is cruciaal - verschillende modellen produceren incompatibele vectoren.

```csharp
public async Task<List<SearchResult>> SearchAsync(string query, int limit = 10)
{
    // Same embedding model used for indexing
    var queryEmbedding = await _embeddingService.GenerateEmbeddingAsync(query);

    // Search in vector store
    var results = await _vectorStoreService.SearchAsync(
        queryEmbedding,
        limit
    );

    return results;
}
```

### Stap 2: Vergelijkbare zoekopdracht

De vectordatabase berekent de overeenkomst tussen de query vector en alle opgeslagen vectoren.

**Cosinus-gelijksoortigheid** (meest populair bij genormaliseerde vectoren):

```
similarity = (A · B) / (||A|| × ||B||)
```

Bereik: -1 tot 1 (hoger = meer vergelijkbaar)

**Euclidische afstand** (voor niet-genormaliseerde vectoren):

```
distance = sqrt(Σ(Ai - Bi)²)
```

Bereik: 0 tot ∞ (lager = meer vergelijkbaar)

**Puntproduct** (wanneer vectoren voorgenormaliseerd zijn):

```
similarity = A · B
```

Bereik: -1 tot 1 (hoger = meer vergelijkbaar)

**Voorbeeld van mijn Qdrant-service:**

```csharp
var searchResults = await _client.SearchAsync(
    collectionName: "blog_posts",
    vector: queryEmbedding,
    limit: (ulong)limit,
    scoreThreshold: 0.7f,  // Only return results with >70% similarity
    payloadSelector: true   // Include all metadata
);

return searchResults.Select(hit => new SearchResult
{
    Text = hit.Payload["text"].StringValue,
    Title = hit.Payload["title"].StringValue,
    Score = hit.Score,
    Source = hit.Payload["source"].StringValue
}).ToList();
```

### Stap 3: Reranking (facultatief maar aanbevolen)

De eerste retrieval is snel maar bij benadering. Reranking maakt gebruik van een meer verfijnd model om de top K resultaten te herscoreren.

```mermaid
flowchart LR
    A[Vector Search:<br/>Top 50 Results] --> B[Reranking Model]
    B --> C[Reranked:<br/>Top 10 Results]

    style B stroke:#f9f,stroke-width:3px
```

**Waarom reranking helpt:**

- Snelle inbedding modellen optimaliseren voor snelheid, opofferen van enige nauwkeurigheid
- Reranking modellen zijn langzamer, maar nauwkeuriger
- Tweetrapsnadering balanceert snelheid en kwaliteit

**Voorbeeld herranking implementatie:**

```csharp
public async Task<List<SearchResult>> SearchWithRerankAsync(
    string query,
    int initialLimit = 50,
    int finalLimit = 10)
{
    // Stage 1: Fast vector search
    var candidates = await SearchAsync(query, initialLimit);

    // Stage 2: Precise reranking
    var rerankedResults = await _rerankingService.RerankAsync(
        query,
        candidates
    );

    return rerankedResults.Take(finalLimit).ToList();
}
```

## Fase 3: Generatie (het antwoord maken)

Nu we relevante informatie hebben, voeren we deze samen met de vraag van de gebruiker aan de LLM.

```mermaid
flowchart TB
    A[User Query] --> B[Retrieved Context 1]
    A --> C[Retrieved Context 2]
    A --> D[Retrieved Context 3]

    B --> E[Construct Prompt]
    C --> E
    D --> E
    A --> E

    E --> F["System: You are a helpful assistant...\n\nContext:\n1. Docker Compose allows...\n2. Services are defined...\n3. Volumes persist data...\n\nQuestion: How do I use Docker Compose?\n\nAnswer:"]

    F --> G[LLM]
    G --> H[Generated Answer with Citations]

    style E stroke:#f9f,stroke-width:2px
    style G stroke:#bbf,stroke-width:2px
```

### Stap 1: Prompt Construction

Dit is waar RAG een kunst wordt. Je moet de prompt zo structureren dat de LLM:

- Gebruikt de geboden context (niet de interne kennis)
- Cites bronnen indien mogelijk
- Geeft toe wanneer de context geen antwoord bevat
- Behoudt een consistente toon/stijl

**Voorbeeld prompt sjabloon van mijn Advocaat GPT systeem:**

```csharp
public string BuildRAGPrompt(string query, List<SearchResult> context)
{
    var sb = new StringBuilder();

    sb.AppendLine("You are a technical writing assistant. Your task is to answer the user's question using ONLY the provided context from past blog posts.");
    sb.AppendLine();
    sb.AppendLine("CONTEXT:");
    sb.AppendLine("========");

    for (int i = 0; i < context.Count; i++)
    {
        sb.AppendLine($"[{i + 1}] {context[i].Title}");
        sb.AppendLine($"Source: {context[i].Source}");
        sb.AppendLine($"Content: {context[i].Text}");
        sb.AppendLine($"Relevance: {context[i].Score:P0}");
        sb.AppendLine();
    }

    sb.AppendLine("========");
    sb.AppendLine();
    sb.AppendLine("INSTRUCTIONS:");
    sb.AppendLine("- Answer the question using the provided context");
    sb.AppendLine("- Cite sources using [1], [2], etc.");
    sb.AppendLine("- If the context doesn't contain enough information, say so");
    sb.AppendLine("- Maintain the technical, practical tone of the blog");
    sb.AppendLine();
    sb.AppendLine($"QUESTION: {query}");
    sb.AppendLine();
    sb.AppendLine("ANSWER:");

    return sb.ToString();
}
```

### Stap 2: LLM-inferentie

De gebouwde prompt gaat naar de LLM voor generatie. Dit kan zijn:

- **Cloud API**: OpenAI, Antropic Claude, Google PaLM
- **Lokaal model**: Het gebruik van lama.cpp, ONNX Runtime, of TorchSharp

**Voorbeeld met lokale LLM:**

```csharp
public async Task<string> GenerateResponseAsync(string prompt)
{
    var result = await _llamaSharp.InferAsync(prompt, new InferenceParams
    {
        Temperature = 0.7f,      // Creativity (0 = deterministic, 1 = creative)
        TopP = 0.9f,             // Nucleus sampling
        MaxTokens = 500,         // Response length limit
        StopSequences = new[] { "\n\n", "User:", "Question:" }
    });

    return result.Text.Trim();
}
```

**Belangrijkste parameters uitgelegd:**

- **Temperatuur**: Controleert willekeurigheid (0 = altijd het meest waarschijnlijke kiezen, 1 = willekeurig monster)
- **Boven P**: Nucleus sampling - overweeg alleen tokens die de bovenste P waarschijnlijkheidsmassa vormen
- **Max Tokens**: Limit response length
- **Gevolgen stoppen**Wanneer moet ik stoppen met genereren?

### Stap 3: Postverwerking

Nadat de LLM een reactie genereert, moeten we vaak:

- Citaten uitpakken en omzetten naar links
- Formaatcode blokken
- Metadata toevoegen (bronnen, betrouwbaarheidsscores)
- Log de interactie voor debuggen

**Voorbeeld na verwerking:**

```csharp
public RAGResponse PostProcess(string llmOutput, List<SearchResult> sources)
{
    var response = new RAGResponse
    {
        Answer = llmOutput,
        Sources = new List<Source>()
    };

    // Extract citations like [1], [2]
    var citations = Regex.Matches(llmOutput, @"\[(\d+)\]");

    foreach (Match match in citations)
    {
        int index = int.Parse(match.Groups[1].Value) - 1;
        if (index >= 0 && index < sources.Count)
        {
            var source = sources[index];
            response.Sources.Add(new Source
            {
                Title = source.Title,
                Url = GenerateUrl(source.Source),
                RelevanceScore = source.Score
            });
        }
    }

    // Convert markdown citations to hyperlinks
    response.FormattedAnswer = Regex.Replace(
        llmOutput,
        @"\[(\d+)\]",
        m => {
            int index = int.Parse(m.Groups[1].Value) - 1;
            if (index >= 0 && index < sources.Count)
            {
                var url = GenerateUrl(sources[index].Source);
                return $"[[{m.Groups[1].Value}]]({url})";
            }
            return m.Value;
        }
    );

    return response;
}
```

# Begrijpen LLM internen: Tokens, KV Cache en Context Windows

Voordat we overgaan naar praktische toepassingen, is het essentieel om te begrijpen hoe LLM's intern werken. Deze kennis helpt u RAG-systemen te optimaliseren en gemeenschappelijke valkuilen te voorkomen.

## Wat zijn Tokens?

Tokens zijn de fundamentele eenheden die LLM's verwerken. Tekst wordt niet rechtstreeks naar modellen gevoerd - het wordt eerst afgebroken in tokens.

**Voorbeeld tokenization:**

```
Input:  "Understanding Docker containers"
Tokens: ["Under", "standing", " Docker", " containers"]
```

Verschillende modellen gebruiken verschillende tokenization strategieën:

- **GPT-modellen**: Gebruik Byte-Pair codering (BPE) met ~50K woordenschat
- **Claude**: Soortgelijke BPE-aanpak
- **Llama modellen**: SentencePiece tokenization

**Waarom tokenization belangrijk is voor RAG:**

```csharp
public class TokenCounter
{
    // Rough approximation: 1 token ≈ 0.75 words (English)
    public int EstimateTokens(string text)
    {
        var wordCount = text.Split(' ', StringSplitOptions.RemoveEmptyEntries).Length;
        return (int)(wordCount / 0.75);
    }

    public int EstimateTokensAccurate(string text, ITokenizer tokenizer)
    {
        // Use actual tokenizer for precision
        return tokenizer.Encode(text).Count;
    }
}
```

**Randen van het contextvenster:**

- GPT-3.5: 16K tokens
- GPT-4: 8K-128K tokens (afhankelijk van de variant)
- Claude 3.5 Sonnet: 200K tokens
- Llama 3: 8K tokens (hoewel kan worden verlengd)

In RAG-systemen moet je passen op:

```
Total tokens = System prompt + Retrieved context + User query + Response buffer
```

Als uw RAG 10 documenten van elk 500 tokens ophaalt, is dat 5.000 tokens alleen voor context - voordat de vraag en reactie!

**Praktisch beheer van RAG-token:**

```csharp
public class ContextWindowManager
{
    private readonly int _maxContextTokens;
    private readonly int _systemPromptTokens;
    private readonly int _responseBufferTokens;

    public ContextWindowManager(
        int totalContextWindow = 4096,
        int systemPromptTokens = 300,
        int responseBufferTokens = 500)
    {
        _maxContextTokens = totalContextWindow;
        _systemPromptTokens = systemPromptTokens;
        _responseBufferTokens = responseBufferTokens;
    }

    public List<SearchResult> FitContextInWindow(
        List<SearchResult> retrievedDocs,
        string query)
    {
        var queryTokens = EstimateTokens(query);

        // Available tokens for retrieved context
        var availableForContext = _maxContextTokens
            - _systemPromptTokens
            - queryTokens
            - _responseBufferTokens;

        var selectedDocs = new List<SearchResult>();
        var currentTokens = 0;

        foreach (var doc in retrievedDocs.OrderByDescending(d => d.Score))
        {
            var docTokens = EstimateTokens(doc.Text);

            if (currentTokens + docTokens <= availableForContext)
            {
                selectedDocs.Add(doc);
                currentTokens += docTokens;
            }
            else
            {
                break; // Context window full
            }
        }

        return selectedDocs;
    }

    private int EstimateTokens(string text)
    {
        // Rule of thumb: 1 token ≈ 4 characters
        return text.Length / 4;
    }
}
```

## The KV Cache: LLM's Secret Weapon

Wanneer een LLM tekst genereert, verwerkt het niet alles vanaf nul voor elk token. Het maakt gebruik van een **Sleutelwaarde-cache (KV)** om te onthouden wat het al berekend heeft.

### Hoe Transformers werken (vereenvoudigd)

Transformers gebruiken een "aandacht" mechanisme waar elk token "toevoegt aan" (ziet) alle vorige tokens om de context te begrijpen.

```mermaid
flowchart TB
    subgraph "Generation Step 1: 'Docker'"
        A1[Input: 'Docker'] --> B1[Compute K,V for 'Docker']
        B1 --> C1[Store in KV Cache]
        C1 --> D1[Generate: 'is']
    end

    subgraph "Generation Step 2: 'is'"
        A2[Input: 'is'] --> B2[Compute K,V for 'is']
        B2 --> C2[Store in KV Cache]
        C2 --> E2[Retrieve KV for 'Docker']
        E2 --> F2[Attend: 'is' to 'Docker']
        F2 --> D2[Generate: 'a']
    end

    subgraph "Generation Step 3: 'a'"
        A3[Input: 'a'] --> B3[Compute K,V for 'a']
        B3 --> C3[Store in KV Cache]
        C3 --> E3[Retrieve KV for 'Docker', 'is']
        E3 --> F3[Attend: 'a' to all previous]
        F3 --> D3[Generate: 'container']
    end

    D1 --> A2
    D2 --> A3

    style C1 stroke:#f9f,stroke-width:3px
    style C2 stroke:#f9f,stroke-width:3px
    style C3 stroke:#f9f,stroke-width:3px
```

**Zonder KV-cache:**

- Stap 1: Proces 1 token → O(1)
- Stap 2: Proces 2 tokens vanaf nul → O(2)
- Stap 3: Proces 3 tokens vanaf nul → O(3)
- Totaal: O(1 + 2 + 3 + ... + N) = O(N2)

**Met KV-cache:**

- Stap 1: Proces 1 token, cache K,V → O(1)
- Stap 2: Proces 1 nieuwe token, hergebruik gecached K,V → O(1)
- Stap 3: Proces 1 nieuwe token, hergebruik gecached K,V → O(1)
- Totaal: O(N)

Dit maakt generatie **dramatisch sneller** - het verschil tussen 10 tokens/seconden en 100 tokens/seconden.

### De structuur van de KV-cacheboom

De KV cache vormt een "boom" vanwege hoe aandacht werkt in transformatoren. Elke laag in het model heeft zijn eigen KV matrices.

```mermaid
graph TB
    A[Input Tokens:<br/>'What is Docker?'] --> B[Layer 1 Attention]
    B --> C[Layer 1 KV Cache]

    B --> D[Layer 2 Attention]
    D --> E[Layer 2 KV Cache]

    D --> F[Layer 3 Attention]
    F --> G[Layer 3 KV Cache]

    F --> H[... up to Layer N]
    H --> I[Output: 'Docker is']

    C -.Key-Value pairs<br/>for all input tokens.-> C
    E -.Key-Value pairs<br/>for all input tokens.-> E
    G -.Key-Value pairs<br/>for all input tokens.-> G

    style C stroke:#bbf,stroke-width:2px
    style E stroke:#bbf,stroke-width:2px
    style G stroke:#bbf,stroke-width:2px
```

**Elke laag slaat op:**

- **Sleutels (K)**: Vertegenwoordigingen gebruikt om aandachtsscores te berekenen
- **Waarden (V)**: Vertegenwoordigingen die zich mengen op basis van aandacht

Voor een model met:

- 32 lagen
- 4096 verborgen afmetingen
- 32 aandachtskoppen
- 8K contextvenster

De KV-cache voor één reeks is:

```
2 (K and V) × 32 layers × 4096 dimensions × 8192 tokens × 2 bytes (FP16)
≈ 4.3 GB of VRAM!
```

Daarom zijn lange contextvensters geheugenintensief.

### KV Cache in RAG-systemen

RAG-systemen kunnen gebruik maken van KV-cacheoptimalisatie op slimme manieren:

**Prompt caching** (ondersteund door sommige API's zoals Anthropic Claude):

```csharp
public class CachedRAGService
{
    // System prompt and retrieved context can be cached!
    public async Task<string> GenerateWithCachedContextAsync(
        string systemPrompt,          // Cached
        List<SearchResult> context,   // Cached
        string userQuery)             // Not cached, changes each time
    {
        var contextText = FormatContext(context);

        // The KV cache for systemPrompt + contextText is reused across queries
        var prompt = $@"
{systemPrompt}

CONTEXT:
{contextText}

QUERY: {userQuery}

ANSWER:";

        return await _llm.GenerateAsync(prompt, useCaching: true);
    }
}
```

**Waarom dit krachtig is:**

- Eerste query: compileert KV-cache voor systeemprompt + context (slow)
- Volgende vragen met dezelfde context: Hergebruik gecached KV (10x sneller!)
- Alleen het query-gedeelte van de gebruiker heeft een nieuwe berekening nodig

**Praktisch voorbeeld:**

```
Query 1: "How do I use Docker?" → 2 seconds (no cache)
Query 2: "What are Docker benefits?" → 0.2 seconds (cache hit!)
Query 3: "Docker vs VMs?" → 0.2 seconds (cache hit!)
```

Alle drie de queries gebruiken dezelfde opgehaalde context, zodat de KV cache voor die context wordt hergebruikt.

## Token Grenzen en RAG-strategie

Het begrijpen van tokens en KV cache informeert uw RAG architectuur beslissingen:

### 1. Chunking Size

Kleinere brokken = nauwkeuriger ophalen, maar meer overhead:

```csharp
// Option A: Small chunks (200 tokens each)
// Retrieve 20 chunks = 4,000 tokens
// Pro: Very precise, only relevant info
// Con: More KV cache entries, slower attention

// Option B: Larger chunks (500 tokens each)
// Retrieve 8 chunks = 4,000 tokens
// Pro: Better context coherence, fewer KV entries
// Con: More noise, less precise

public class AdaptiveChunker
{
    public int DetermineChunkSize(int contextWindowSize)
    {
        if (contextWindowSize <= 4096)
            return 200; // Small chunks for limited windows

        if (contextWindowSize <= 16384)
            return 500; // Medium chunks

        return 1000; // Large chunks for big windows
    }
}
```

### 2. Context Venster Gebruik

Geef geen maximum aan het contextvenster - laat ruimte voor generatie:

```csharp
public class SafeContextManager
{
    public int GetSafeContextLimit(int totalContextWindow)
    {
        // Use only 75% for input, reserve 25% for output
        return (int)(totalContextWindow * 0.75);
    }

    // Example: 4K model
    // Total: 4096 tokens
    // Safe input: 3072 tokens
    // Reserved for output: 1024 tokens
}
```

### 3. Multi-Turn RAG gesprekken

In chatbots groeit de conversatiegeschiedenis bij elke beurt:

```
Turn 1:
System + Context + Query1 = 3000 tokens
Response1 = 300 tokens
Total: 3300 tokens

Turn 2:
System + Context + Query1 + Response1 + Query2 = 3650 tokens
Response2 = 300 tokens
Total: 3950 tokens

Turn 3:
System + Context + Query1 + Response1 + Query2 + Response2 + Query3 = 4250 tokens
ERROR: Context window exceeded!
```

**Oplossing: schuifvenster met re-retrieval**

```csharp
public class ConversationalRAG
{
    private readonly int _maxHistoryTokens = 1000;

    public async Task<string> ChatAsync(
        List<ConversationTurn> history,
        string newQuery)
    {
        // Re-retrieve context based on current query
        var context = await RetrieveContextAsync(newQuery);

        // Keep only recent conversation history
        var relevantHistory = TrimHistory(history, _maxHistoryTokens);

        var prompt = BuildPrompt(context, relevantHistory, newQuery);

        return await _llm.GenerateAsync(prompt);
    }

    private List<ConversationTurn> TrimHistory(
        List<ConversationTurn> history,
        int maxTokens)
    {
        var trimmed = new List<ConversationTurn>();
        var currentTokens = 0;

        // Keep most recent turns
        foreach (var turn in history.Reverse())
        {
            var turnTokens = EstimateTokens(turn.Query) + EstimateTokens(turn.Response);

            if (currentTokens + turnTokens <= maxTokens)
            {
                trimmed.Insert(0, turn);
                currentTokens += turnTokens;
            }
            else
            {
                break;
            }
        }

        return trimmed;
    }
}
```

### 4. Token Kostenoptimalisatie

API-gebaseerde LLM's laden per token. RAG kan kosten ontploffen als niet voorzichtig:

```csharp
public class CostAwareRAG
{
    // OpenAI GPT-4 pricing (example):
    // Input: $0.03 per 1K tokens
    // Output: $0.06 per 1K tokens

    public decimal EstimateQueryCost(
        int systemPromptTokens,
        int retrievedContextTokens,
        int queryTokens,
        int expectedResponseTokens)
    {
        var inputTokens = systemPromptTokens + retrievedContextTokens + queryTokens;
        var outputTokens = expectedResponseTokens;

        var inputCost = (inputTokens / 1000m) * 0.03m;
        var outputCost = (outputTokens / 1000m) * 0.06m;

        return inputCost + outputCost;
    }

    // Example:
    // System: 300 tokens
    // Context: 3000 tokens (10 retrieved docs)
    // Query: 50 tokens
    // Response: 500 tokens
    //
    // Cost = ((300 + 3000 + 50) / 1000 * 0.03) + (500 / 1000 * 0.06)
    //      = (3350 / 1000 * 0.03) + (500 / 1000 * 0.06)
    //      = $0.1005 + $0.03
    //      = $0.1305 per query
    //
    // At 1000 queries/day = $130/day = $3,900/month!
}
```

**Kostenreductiestrategieën:**

1. Minder, beter gerangschikte documenten ophalen
2. Gebruik prompt caching (Antropische Claude: 90% goedkoper voor gecachede tokens)
3. Gebruik goedkopere modellen voor herranking, duur voor de uiteindelijke generatie
4. Context comprimeren met behulp van samenvattingen

## Visualiseren van de volledige RAG-stroom met tokens

Hier is hoe tokens, KV cache en RAG bij elkaar passen:

```mermaid
flowchart TB
    A[User Query:<br/>'How does Docker work?'<br/>≈ 12 tokens] --> B[Generate Query Embedding]

    B --> C[Vector Search]
    C --> D[Retrieved Docs:<br/>5 docs × 500 tokens<br/>= 2,500 tokens]

    D --> E[Construct Prompt]
    A --> E

    E --> F["Complete Prompt:<br/>System: 300 tokens<br/>Context: 2,500 tokens<br/>Query: 12 tokens<br/>Total: 2,812 tokens"]

    F --> G[Tokenize Prompt]
    G --> H["Token IDs:<br/>[245, 1034, 8829, ...]<br/>2,812 token IDs"]

    H --> I[LLM Layer 1]
    I --> J[Compute K,V]
    J --> K[KV Cache Layer 1:<br/>2,812 K,V pairs]

    I --> L[LLM Layer 2]
    L --> M[Compute K,V]
    M --> N[KV Cache Layer 2:<br/>2,812 K,V pairs]

    L --> O[... Layers 3-32]
    O --> P[Generate Token 1: 'Docker']

    P --> Q[Add to KV Cache]
    Q --> R[Generate Token 2: 'is']
    R --> S[Add to KV Cache]
    S --> T[... until completion]

    T --> U["Response: 'Docker is a containerization platform...'<br/>≈ 400 tokens"]

    style K stroke:#f9f,stroke-width:2px
    style N stroke:#f9f,stroke-width:2px
    style Q stroke:#bbf,stroke-width:2px
    style S stroke:#bbf,stroke-width:2px
```

**Belangrijkste inzichten:**

1. **Invoertekens** (2.812) worden eenmaal verwerkt om initiële KV-cache te bouwen
2. **Generatie** gebeurt een token tegelijk, het hergebruiken van de KV-cache
3. **Elke nieuwe token** voegt toe aan de KV-cache voor toekomstige tokens om bij te wonen
4. **Totaal VRAM** nodig = Modelgewichten + KV-cache voor alle tokens
5. **Langere context** = grotere KV cache = meer VRAM

## Praktische implicaties voor RAG

Het begrijpen van tokens en KV cache leidt tot een beter RAG-ontwerp:

**1. Pre-compute en cache gemeenschappelijke contexten:**

```csharp
// Cache KV for frequently used system prompts + static context
var cachedSystemContext = await _llm.PrecomputeKVCache(systemPrompt + staticContext);

// Reuse for each query (much faster)
foreach (var query in userQueries)
{
    var response = await _llm.GenerateAsync(query, reuseKVCache: cachedSystemContext);
}
```

**2. Optimaliseer brokranden:**

```csharp
// Bad: Arbitrary 500-character chunks
var chunks = text.Chunk(500);

// Good: Chunk on sentence boundaries, measure in tokens
public List<string> ChunkByTokens(string text, int maxTokensPerChunk)
{
    var sentences = SplitIntoSentences(text);
    var chunks = new List<string>();
    var currentChunk = new StringBuilder();
    var currentTokens = 0;

    foreach (var sentence in sentences)
    {
        var sentenceTokens = EstimateTokens(sentence);

        if (currentTokens + sentenceTokens > maxTokensPerChunk && currentTokens > 0)
        {
            chunks.Add(currentChunk.ToString());
            currentChunk.Clear();
            currentTokens = 0;
        }

        currentChunk.Append(sentence).Append(" ");
        currentTokens += sentenceTokens;
    }

    if (currentTokens > 0)
        chunks.Add(currentChunk.ToString());

    return chunks;
}
```

**3. Monitor token gebruik in de productie:**

```csharp
public class RAGTelemetry
{
    public void LogRAGQuery(
        string query,
        List<SearchResult> retrievedDocs,
        string response)
    {
        var queryTokens = EstimateTokens(query);
        var contextTokens = retrievedDocs.Sum(d => EstimateTokens(d.Text));
        var responseTokens = EstimateTokens(response);
        var totalTokens = queryTokens + contextTokens + responseTokens;

        _logger.LogInformation(
            "RAG Query: {Query} | Context: {ContextTokens} tokens from {DocCount} docs | " +
            "Response: {ResponseTokens} tokens | Total: {TotalTokens} tokens",
            query, contextTokens, retrievedDocs.Count, responseTokens, totalTokens
        );

        // Alert if approaching context limit
        if (totalTokens > _maxTokens * 0.9)
        {
            _logger.LogWarning("Approaching token limit: {TotalTokens}/{MaxTokens}",
                totalTokens, _maxTokens);
        }
    }
}
```

# Conclusie: Architectuurmeesterschap

We hebben de complete technische architectuur van RAG systemen besproken:

**Fase 1: Indexering**

- Tekstextractie uit verschillende bronnen
- Chunking strategieën (sectie-gebaseerd, zinsgebonden, met overlapping)
- Inbeddingsgeneratie (ONNX, API-diensten)
- Vectoropslag (Qdrant, pgvector, Pinecone)

**Fase 2: Terugwinning**

- Query inbedding (hetzelfde model als indexeren!)
- Vergelijkbare zoekopdracht (cosinus, euclidaan, dot product)
- Facultatief herschikken voor een betere precisie
- Metadatafiltering voor verfijnde resultaten

**Fase 3: Generatie**

- Snelle constructie (context + instructies + query)
- LLM-interferentie (temperatuur, top-p, max tokens)
- Nabewerking (extractie van citaat, opmaak)

**LLM Internen**

- Tokens: De fundamentele eenheden (geen karakters!)
- KV Cache: Waarom generatie snel is (lineair, niet kwadratisch)
- Contextvensters: Tokenlimieten beheren in RAG
- Kostenoptimalisatie: Caching, compressie, smart retrieval

**Belangrijkste technische inzichten:**

1. **Zelfde inbeddingsmodel** voor indexeren en ophalen (kritisch!)
2. **Chunken is belangrijker dan je denkt.** - behoudt semantische samenhang
3. **Reranking verbetert de precisie** ten koste van de latentie
4. **Token management is essentieel** - raming voor het opvragen
5. **KV caching maakt RAG haalbaar** - reuse prompt computings
6. **Contextvensters vullen snel** - 10 docs × 500 tokens = 5K tokens

# Doorgaan naar deel 3: RAG in de praktijk

Je begrijpt het nu. **hoe RAG werkt** Op technisch niveau. Maar theorie brengt je alleen zover. Hoe bouw je eigenlijk deze systemen? Welke uitdagingen ga je het hoofd bieden? Welke geavanceerde technieken kun je gebruiken?

In **[Deel 3: RAG in de praktijk](/blog/rag-practical-applications)**, gaan we van architectuur naar implementatie:

**Toepassingen in de praktijk:**

- Gerelateerde berichten aanbeveling op deze blog
- Semantische blog zoeken
- Bouwen van een "Advocaat GPT" schrijven assistent

**Gemeenschappelijke uitdagingen en oplossingen:**

- Chunking strategieën die context behouden
- Verbetering van de inbeddingskwaliteit voor uw domein
- Het dynamisch beheren van contextvensters
- Het voorkomen van hallucinatie ondanks het hebben van context
- Uw index up-to-date houden

**Geavanceerde technieken:**

- Hypothetisch document inbeddingen (HyDE)
- Zelfbeluchten met LLM-geparseerde filters
- Multiquery RAG voor uitgebreide resultaten
- Contextuele compressie om tokengebruik te verminderen
- Multi-hop RAG voor complexe vragen
- Lange termijn conversatiegeheugen

**Aan de slag:**

- Uitvoeringsplan per week
- Voorbeelden van praktische code
- Optimalisatiestrategieën
- Wanneer mag u RAG NIET gebruiken

**[Doorgaan naar deel 3: RAG in de praktijk →](/blog/rag-practical-applications)**

## Middelen

**Fundamentele papers:**

- [Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks](https://arxiv.org/abs/2005.11401) - Het originele RAG-papier
- [Dense Passage Retrieval voor Open-Domein Vragen Beantwoorden](https://arxiv.org/abs/2004.04906) - DPR stichting
- [Attentie is alles wat je nodig hebt.](https://arxiv.org/abs/1706.03762) - Transformatoren

**Instrumenten en kaders:**

- [Qdrant](https://qdrant.tech/) - Vector database
- [ONNX-runtime](https://onnxruntime.ai/) - Lokale inbeddingen
- [LLamaSharp](https://github.com/SciSharp/LLamaSharp) - Lokale LLM-inferentie
- [Zintransformatoren](https://www.sbert.net/) - Inbedding modellen

**Meer lezen:**

- [Antropisch: Contextual Retrieval](https://www.anthropic.com/index/contextual-retrieval) - Geavanceerde technieken

**Serienavigatie:**

- [Deel 1: Oorsprongen en Fundamentelen](/blog/rag-primer) - Geschiedenis en motivatie
- **Deel 2: Architectuur en interne aangelegenheden** (dit artikel) - Technische diepe duik
- [Deel 3: RAG in de praktijk](/blog/rag-practical-applications) - Bouwen van echte systemen

**[Ga verder naar deel 3 →](/blog/rag-practical-applications)**