De eerste route is de eenvoudigste start. Bij Hermes koppel je een bron vaak via MCP, een open standaard om tools en databronnen aan een agent te hangen. De MCP-handleiding van Hermes raadt aan om met één server te beginnen, bijvoorbeeld toegang tot één projectmap, en meteen alleen de tools toe te laten die je nodig hebt. Welke koppelingen zinvol zijn, lees je in AI koppelen aan je CRM en CMS.
RAG staat voor retrieval-augmented generation: eerst ophalen, dan antwoorden. Het is de gangbare oplossing voor grote archieven, maar de kwaliteit hangt af van hoe je de documenten in stukken knipt. Een clausule die naar een bijlage verwijst, verliest zo makkelijk haar betekenis.
De derde route is jonger. Andrej Karpathy beschreef in april 2026 het LLM Wiki-patroon. In plaats van bij elke vraag opnieuw fragmenten te zoeken, bouwt de agent een set gekoppelde markdownnotities op en houdt die actueel. Karpathy vat het verschil met RAG zo samen: "The knowledge is compiled once and then kept current, not re-derived on every query." Concreet verwerkt de agent een nieuwe bron één keer, markeert tegenstrijdigheden en werkt de samenvatting bij.
Hermes levert dat patroon standaard mee als de skill llm-wiki. De taakverdeling is helder: de mens kiest de bronnen, de agent vat samen, legt verbanden en houdt alles consistent. In de praktijk combineer je de routes. Een agent kan in de kennisbank beginnen en voor details toch het originele document openen.
Hoe ziet zo’n kennisbank er bij Voltti uit?
Bij Voltti houdt onze eigen Hermes-installatie een kennisbank bij in gewone markdownbestanden, volgens dat LLM Wiki-patroon: één notitie per onderwerp, met de bronnen erbij.
Daarnaast is er een index met één regel per notitie en een logboek van wat er veranderde. Er is bijvoorbeeld een notitie met feiten uit de Hermes-documentatie, met de datum waarop die gelezen zijn, en een notitie met beslissingen die al genomen zijn.
Voor een audit of een artikel leest de agent eerst de notitie die erbij hoort. Beslissingen die wij bevestigen, komen in die notitie, zodat de agent ze de volgende keer niet opnieuw vraagt. Elke wijziging komt apart in de versiegeschiedenis, dus je kunt nalezen wanneer iets veranderde. Een notitie vervangt de bron niet: wie een feit in een tekst gebruikt, controleert het in de originele bron.
Hoe houd je een AI-kennisbank veilig?
Begin bij toegang. Geef de agent leestoegang tot de bronnen die nodig zijn en niet meer. Schrijfrechten horen alleen bij de plek waar de agent het resultaat wegschrijft, zoals de projectdocumentatie.
Denk ook aan wie welke informatie mag zien. De agent leest met de toegang die jij het geeft, niet met de rechten van wie de vraag stelt. Een agent die het hele bedrijf doorzoekt, kan dus antwoorden uit een document dat de vraagsteller zelf niet mocht openen. Werk daarom per team of afdeling met een eigen omgeving. In Hermes heeft elk profiel eigen sessies, geheugen en inloggegevens, en profielen delen die niet met elkaar.
Documenten kunnen bovendien instructies bevatten die niet voor de agent bedoeld zijn. OWASP noemt dat indirecte prompt injection: tekst in een bestand of op een webpagina die het gedrag van het model verandert. Laat de agent daarom niets uitvoeren op basis van wat het in een document leest, zonder dat een mens meekijkt.
En waar gaat je data naartoe? Bij een cloudmodel gaat de tekst die voor een vraag nodig is naar de modelprovider. Met een lokaal model blijft ook dat binnen je netwerk. Lees wat lokaal blijft in een hybride AI-opstelling en hoe we omgaan met veiligheid en privacy. Wil je alles in huis houden, kijk dan naar lokale AI voor bedrijven.
Staan er persoonsgegevens in die bronnen, zoals HR-dossiers of klantmails, dan geldt gewoon de AVG. Die vraagt dat je niet meer persoonsgegevens gebruikt dan nodig, dus geef de agent alleen de bronnen die een vraag nodig heeft. Verwerkt een cloudprovider die tekst voor je, leg dat dan vast in een verwerkersovereenkomst of laat een lokaal model het werk doen. Welke afspraken je verder maakt, staat in onze checklist om AI veilig te gebruiken.
Waarom moet elk antwoord naar de bron verwijzen?
Omdat interne kennis vaak tegenstrijdig of verouderd is. Met de vindplaats en de datum oordeel jij welk antwoord klopt.
Er bestaan bijvoorbeeld drie versies van dezelfde procedure, of een prijsafspraak staat in een mail die later is aangepast. Een agent die alleen een antwoord geeft, verstopt dat probleem. Vraag daarom altijd de vindplaats, en laat de agent melden wanneer twee bronnen elkaar tegenspreken.
Een voorbeeld: je vraagt welke levertermijn je met een klant hebt afgesproken. De agent noemt de termijn, het contract waarin die staat en de datum. Het meldt ook dat een latere mail een andere termijn noemt. Jij beslist welke geldt.
De controle blijft mensenwerk. Bij een samenvatting van een contract leest iemand de gemarkeerde passages zelf na voordat er een beslissing valt. Je leest dan niet alles opnieuw, wel de passages die ertoe doen.
Hoe begin je met interne kennis doorzoeken?
Begin klein, met één kennisdomein waarin je team vandaag vaak zoekt.
Kies één domein, zoals offertes, handleidingen of klantafspraken.
Zet de bronnen bij elkaar en geef de agent alleen daar leestoegang toe.
Schrijf twintig vragen op die je collega’s echt stellen, met het juiste antwoord erbij.
Laat de agent die vragen beantwoorden, met de vindplaats bij elk antwoord.
Controleer de antwoorden en noteer waar de agent zich vergist.
Breid pas uit wanneer die eerste set betrouwbaar werkt.
Zo’n test past goed in een pilot. Hoe je die voorbereidt, lees je in je AI-agent-pilot voorbereiden. Andere taken die vaak terugkomen, vind je bij terugkerende taken automatiseren, en wat een agent breder kan, staat in Hermes Agent uitgelegd.
Voltti installeert Hermes bij bedrijven in België en Nederland en richt de koppelingen met je documenten mee in. Je krijgt een offerte op maat, omdat bronnen en rechten per bedrijf verschillen. Op onze pagina over AI-automatisering lees je hoe we te werk gaan.
