# 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)

---

## Deel
**Deel 3 — AI Development** (Les 11-16)

## Beschrijving
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

### 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)

### 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
- Vercel AI SDK v6
- Supabase + pgvector extension
- OpenAI embeddings API
- pdf-parse / unpdf voor PDF-extractie

---

## Lesopdracht (in-class, 60 min)

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?

**Inleveren:** Screenshot van Q&A-sessie + reflectie 1 alinea.

---

## Huiswerk (take-home)

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

**Inleveren:** GitHub + Vercel URL.

---

## Leerdoelen
Na deze les kan de student:
- 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