fix: lessons

Samenvattingen/Les15-Samenvatting.md

@@ -1,130 +1,79 @@
-# Les 15: Eindproject Werkdag 1
+# Les 15: RAG + Embeddings — Praat met je documenten
+
+> ✅ **Deze les is volledig uitgewerkt**
+
+## Lesmateriaal
+
+- [Slide Overzicht](../Les15-RAG-Embeddings/Les15-Slide-Overzicht.md)
+- [Docenttekst](../Les15-RAG-Embeddings/Les15-Docenttekst.md)
+- [Lesstof](../Les15-RAG-Embeddings/Les15-Lesstof.md)
+- [Lesopdracht](../Les15-RAG-Embeddings/Les15-Lesopdracht.md)
+- [Huiswerk](../Les15-RAG-Embeddings/Les15-Huiswerk.md)
 
 ---
 
-## Hoofdstuk
-**Deel 4: Advanced AI & Deployment** (Les 13-18)
+## Deel
+**Deel 3 — AI Development** (Les 11-16)
 
 ## Beschrijving
-Eerste intensieve werkdag aan je eindproject. Focus op core features bouwen, Q&A sessions, individuele hulp, en probleemoplossing. Docent beschikbaar voor guidance en klassikale sparring.
+Hoe laat je een LLM antwoorden op basis van documenten die hij nooit heeft gezien? Antwoord: Retrieval-Augmented Generation (RAG). We bouwen een PDF Q&A-app from scratch met embeddings, vector search (pgvector) en context-injectie.
 
 ---
 
-## Te Behandelen (~45 min guidance + 120 min work)
+## Te Behandelen
 
-- Q&A session: wat loop je tegen aan?
-- Cursor tips & tricks review
-- Debugging strategies en common patterns
-- Performance optimization basics
-- Deployment troubleshooting preview
-- Hands-on assistance beschikbaar
-- Code review feedback
-- Feature planning discussion
+### Theorie
+- Het probleem: LLM kent jouw documenten niet
+- Twee oplossingen: alles meesturen vs. RAG
+- Wat zijn embeddings? (vectoren, semantische gelijkenis)
+- pgvector in Supabase: tabel-setup + index
+- De RAG-loop: chunk → embed → store → query → retrieve → answer
+- Limieten en valkuilen (chunking, recall vs. precision)
 
----
-
-## Doel van deze Werkdag
-
-- Core features van je eindproject afmaken
-- Architecture validatie (is je setup goed?)
-- Database integratie testen
-- Auth flows uitwerken
-- First AI feature implementeren
-- Testing en bug fixes
-
----
-
-### Checklist voor deze Sessie
-
-**Code Quality:**
-- [ ] TypeScript geen errors
-- [ ] No console.logs in production code
-- [ ] Proper error handling
-- [ ] Component props typed
-
-**Features:**
-- [ ] Core feature 1 werkend
-- [ ] Core feature 2 werkend
-- [ ] Data persistence (Supabase)
-- [ ] Loading states visible
-- [ ] Error states handled
-
-**Setup:**
-- [ ] Project structure clean
-- [ ] .cursorrules up-to-date
-- [ ] Environment variables configured
-- [ ] Git history clean
+### Live demo's
+1. Nieuwe Next.js-app + Supabase met pgvector
+2. PDF parsen + chunking strategie
+3. Embeddings genereren via OpenAI `text-embedding-3-small`
+4. Vector-search route + top-K retrieval
+5. Chat-interface met context-injectie
 
 ---
 
 ## Tools
-- Cursor
-- Chrome DevTools
-- Supabase Dashboard
-- GitHub
-- Vercel (optional preview)
+- Vercel AI SDK v6
+- Supabase + pgvector extension
+- OpenAI embeddings API
+- pdf-parse / unpdf voor PDF-extractie
 
 ---
 
-## Lesopdracht (4 uur, hands-on werk)
+## Lesopdracht (in-class, 60 min)
 
-### Intensive Development Session
+Studenten kijken klassikaal mee. In-class oefening:
+- Upload een eigen PDF in de demo-app
+- Stel 5 vragen — beoordeel de antwoorden
+- Probeer een vraag die NIET in de PDF staat: wat gebeurt er?
 
-**Hou je voortgang bij:**
-
-**Eerste uur (0-60 min):**
-- [ ] Maak prioriteiten list van features
-- [ ] Fix top 3 bugs van vorige sessies
-- [ ] Test alles lokaal
-- [ ] Ask docent for guidance if stuck
-
-**Twee uur (60-120 min):**
-- [ ] Implementeer core feature 1 (CRUD)
-- [ ] Implementeer core feature 2
-- [ ] Add loading/error states
-- [ ] Styling pass 1
-
-**Drie uur (120-180 min):**
-- [ ] Implementeer AI feature (tool calling)
-- [ ] Test end-to-end flows
-- [ ] Fix bugs found
-- [ ] Performance check
-
-**Vier uur (180-240 min):**
-- [ ] Polish UI
-- [ ] Code cleanup
-- [ ] Document decisions
-- [ ] Commit and push
-
-### Deliverable
-- Werkende core features
-- Updated PROMPT-LOG.md (add entries)
-- Updated AI-DECISIONS.md
-- GitHub commits with progress
-- Screenshot of working features
+**Inleveren:** Screenshot van Q&A-sessie + reflectie 1 alinea.
 
 ---
 
-## Huiswerk
+## Huiswerk (take-home)
 
-Continue building your project for next session.
+Bouw een eigen RAG-app:
+- Eigen dataset (handleidingen, notities, eigen blog)
+- Werkende vector-search met pgvector
+- Chat-UI met source-attribution (welke chunks gebruikt?)
+- Deploy naar Vercel
 
-**Checklist:**
-- [ ] Core features complete
-- [ ] All changes pushed to GitHub
-- [ ] PROMPT-LOG.md updated with prompts used
-- [ ] AI-DECISIONS.md updated with choices made
-- [ ] Ready for next workday session
+**Inleveren:** GitHub + Vercel URL.
 
 ---
 
 ## Leerdoelen
-
 Na deze les kan de student:
-- Zelfstandig problemen identificeren en fixen
-- Cursor effectief gebruiken voor rapid development
-- Architectuur decisions valideren en aanpassen
-- Debugging strategieën toepassen
-- Features end-to-end implementeren
-- Development workflows versnellen
-- Documentatie up-to-date houden
+- Het RAG-pattern uitleggen aan een collega
+- pgvector configureren in Supabase
+- PDF-content chunken en embedden
+- Een werkende vector-search query schrijven
+- Bepalen wanneer RAG vs. alles-meesturen vs. fine-tuning past