95% van AI-engineering is gewoon contextengineering. Iedereen is geobsedeerd door betere modellen terwijl context de echte bottleneck blijft. Zelfs het beste model ter wereld geeft je rommel als je het de verkeerde informatie geeft. Hier is wat de meeste mensen missen: Contextengineering gaat niet alleen over RAG of geheugen of agenten. Het is de kunst en wetenschap van het leveren van de juiste informatie, in het juiste formaat, op het juiste moment, aan je LLM. Denk na over wat je echt nodig hebt: ↳ Retrieval om relevante documenten op te halen ↳ Korte-termijn geheugen om gesprekken bij te houden ↳ Lange-termijn geheugen om gebruikersvoorkeuren te onthouden ↳ Agenten om alles te coördineren ↳ Tools om mogelijkheden uit te breiden Dat zijn 5 verschillende systemen die je moet bouwen, verbinden en onderhouden. Ik ben recentelijk aan het bouwen met Pixeltable, en het is een interessante benadering van dit probleem. Het is open-source en behandelt contextengineering als een verenigd dataprobleem: Het idee is simpel: in plaats van een vector-database, een SQL-database, een embedding-service en een agent-framework aan elkaar te naaien, leeft alles in één systeem. Je documenten, embeddings, gespreksgeschiedenis en agentuitvoer zijn allemaal gewoon tabellen. Embeddings zijn berekende kolommen die automatisch worden bijgewerkt. Vectorzoekopdrachten werken naast je reguliere data-operaties. Wat ik nuttig vind: ↳ RAG-pijplijnen zonder aparte databases te beheren ↳ Lange-termijn geheugen door vectorzoekopdrachten over historische gesprekken...