Je bent in een AI-engineer interview bij Google. De interviewer vraagt: "Onze data is verspreid over verschillende bronnen (Salesforce, Gmail, Drive, enz.) Hoe zou je een uniforme query-engine bouwen over deze data?" Jij: "Ik zal alles in een vector database embedden en RAG doen." Interview voorbij! Veel ontwikkelaars denken nog steeds dat contextretrieval een lineaire pijplijn is: Chunk → Embed → Retrieve → Generate Dit werkt geweldig voor eenvoudige demo's, maar productiesystemen hebben iets fundamenteel anders nodig. Om het beter te begrijpen, overweeg deze query: "Vergelijk onze Q4 verkoopprestaties in de regio Chicago met de projecties van vorig jaar die zijn opgesteld in een vergadering met belanghebbenden." Deze enkele query vereist: - Verkoopdata uit je SQL-database - Grafrelaties (organisatorische hiërarchie) - Vectorzoekopdracht over projectrapporten - Tijdgebaseerde filtering (Q4 dit jaar vs vorig jaar) - Toegangscontroles (voor gebruikersautorisatie) ...