Zoekstrategieën

De KB Search Agent heeft vier zoekstrategieën tot zijn beschikking. De agent kiest autonoom de beste strategie op basis van de vraag, context en gewenste diepgang.

1. Chat Templates (semantisch zoeken + LLM antwoord)

De primaire zoekstrategie. De agent stelt een vraag aan een prompt template die automatisch relevante chunks uit de Knowledge Bases ophaalt via embedding-based search.

Hoe werkt een chat call?

1. De vraag wordt omgezet naar een embedding vector
2. De vector wordt vergeleken met alle chunk/samenvatting-vectoren in de geselecteerde KB's
3. De meest relevante chunks worden als context meegegeven aan het LLM
4. Het LLM genereert een antwoord met bronverwijzingen

Het antwoord bevat: answer (HTML), sources (bronnen met type/titel/URL), confidence (0-1), en gaps (ontbrekende informatie).

2. Keyword Search (directe tekstzoekopdracht)

Zoekt op exacte termen in de brontitels en metadata. Geschikt voor specifieke instellingsnamen, foutmeldingen, of technische termen.

Endpoint: GET /api/v2/knowledge-bases/{kb}/sources?search={term}

Elke KB wordt apart doorzocht. De agent combineert de resultaten.

3. Volledige Brontekst Ophalen

Wanneer een relevante bron is gevonden, kan de agent de complete tekst ophalen voor grondige analyse.

Endpoint: GET /api/v2/knowledge-bases/{kb}/sources/{code}

Retourneert het complete_content veld (volledige brontekst).

4. Chunk Search (zoeken binnen een bron)

Zoekt specifieke content binnen een bekende bron.

Endpoint: GET /api/v2/knowledge-bases/{kb}/sources/{code}/chunks?search={term}

Strategie-keuze

De agent kiest autonoom. Richtlijnen:

• Snelle feitelijke vraag → KB_SEARCH_BROAD
• Specifieke term (bijv. "ART_APP") → Keyword search, dan gericht chat template
• Diepe analyse → KB_SEARCH_DOCS of KB_SEARCH_HELP
• Overzichtsvraag → KB_SEARCH_SUMMARY
• Gap analysis → KB_SEARCH_SUMMARY_FULL + keyword search
• Technische vraag → KB_SEARCH_WIKI meenemen