People keep writing obituaries for RAG. You have probably seen the headlines by now. Long context windows killed it. Age

People keep writing obituaries for RAG. You have probably seen the headlines by now. Long context windows killed it. Agents replaced it. The whole pattern is obsolete. The truth is narrower and far more useful. RAG did not die. What actually collapsed was the comfortable illusion that you could split a pile of documents into chunks, feed them into a vector database, and suddenly own a reliable, truthful AI.

A few years ago, the pitch was seductive in its simplicity. Embed your knowledge base. Connect it to an LLM. Ask a question, and watch the model answer using only your retrieved data. For controlled demos and small FAQ bots, this honestly worked. A twenty-page help desk manual. A tidy internal wiki. The bot would more or less cite the right paragraph, and leadership would sign off on the pilot. But pilots are not production. Prototypes do not contain the scars of real business operations.

Production data is messy. It contains the same troubleshooting note copied across a dozen files, each with slightly different timestamps and conflicting status labels. It holds complex tables that bleed across pages, rendering nonsense when a splitter cuts them down the middle. It preserves contradictions without apology. The 2023 policy manual says one thing. The March 2024 amendment says another. The old PDF was never archived. The naive pattern of chunk, store, and retrieve treats every paragraph as an isolated island. It has no feel for hierarchy, version history, or conflict resolution. The model hallucinates not because the LLM is broken, but because the context it received was fragmented, orphaned, or outright wrong.

Some observers claim that million-token context windows make retrieval irrelevant. Their argument is straightforward. Just dump the entire corpus into the prompt and let the model read it all. This sounds elegant. It is also dangerously optimistic. A model may technically be able to ingest a volume of text equivalent to a short novel, yet locating one specific clause in the middle of that expanse remains an entirely different capability. Needles stay lost in haystacks. Long context windows expand the available canvas, but they do not solve the hard work of deciding what deserves a spot on that canvas. The problem was never simply retrieval. It is, and always has been, context assembly.

From Naive Retrieval to Context Engineering

In 2026, the field is maturing. We are moving past the phase where RAG was treated as a single linear pipeline and toward an architecture that treats context as a deliberately engineered product.

Hybrid search over pure semantics. Semantic similarity is excellent for understanding intent, but it is sloppy with precise identifiers. If an engineer queries a specific error code like ERR_CONNECTION_REFUSED or a software version like v3.2.1, pure vector search can dilute the exact match in a sea of conceptually similar but practically irrelevant results. The evolution here is straightforward. Modern systems combine dense vector retrieval with keyword search, using methods like BM25 or inverted indexes alongside embeddings. Exact names, error codes, version strings, and product IDs get caught by the keyword layer while conceptual nuance is handled by the vector layer.

Reranking before generation. Retrieval is naturally biased toward recall. You pull in forty or fifty chunks because you are terrified of missing the one golden paragraph. But feeding all of that noise into a large model wastes tokens and buries signal. Reranking solves this with a second, usually smaller model that scores each candidate for relevance against the specific query. The top five passages advance. The rest are discarded. It acts as a precision filter between retrieval and generation, ensuring the expensive reasoning model only reads what actually matters.

Contextual retrieval that preserves meaning. Chunking is a violent act. A splitter can sever a paragraph from its section header, its table caption, its surrounding legal disclaimer, or the footnote that modifies its meaning. Contextual retrieval mitigates this by enriching fragments before they ever reach the model. You prepend metadata indicating provenance: This excerpt belongs to the Q3 2024 incident report, Database Outage section, Severity Critical. The model sees not just a floating sentence but a situated piece of information. The fragment regains its bearings.

Modulaire routering op basis van intentie. Niet elke vraag thuishoort in een vectorstore vol documentatie. Een gebruiker die vraagt hoe een wachtwoord moet worden gereset, heeft waarschijnlijk een helpartikel nodig. Een gebruiker die vraagt waarom de omzet in het noordoosten het afgelopen kwartaal is gedaald, heeft SQL nodig op een data warehouse, en geen semantisch vergelijkbare paragraaf over regionale verkoopstrategie. Volwassen systemen routeren queries nu op basis van intentie en selecteren het juiste hulpmiddel. Documentatie voor procedures. Relationele databases voor gestructureerde analyses. Log-aggregators voor trace-debugging. API's voor live-status. De retrieval-laag wordt een dispatcher, geen monocultuur.

Agentische redeneerlussen. Sommige vragen kunnen niet met één zoekstap worden beantwoord. Ze vereisen herformulering. Een vage initiële query wordt verduidelijkt. Teruggevende claims worden gecontroleerd tegen een tweede bron. Als de documentatie in strijd is met de API-specificatie, markeert het systeem het conflict in plaats van een tussenweg te verzinnen. Het model beslist wanneer het opnieuw moet zoeken, wanneer het zijn query moet verfijnen en wanneer het genoeg bewijs heeft verzameld om antwoord te geven. Dit is geen one-shot retrieval. Het is gestructureerd redeneren waarbij zoeken als een subroutine wordt gebruikt.

GraphRAG voor relationele vragen. Bepaalde zakelijke vragen gaan over verbindingen, niet over zinnen. Welk componentfalen veroorzaakte welke downstream-meldingen? Welke leverancier levert aan welke fabriek, en wat is de alternatieve route? Wie binnen de organisatie heeft de beslissingsbevoegdheid over deze specifieke budgetregel? Platte tekstfragmenten maken deze relaties plat omdat ze nooit zijn ontworpen om topologie te behouden. Knowledge graphs wel. Wanneer de vraag gaat over invloed, lineage, patronen of netwerkstructuur, biedt het doorlopen van een graaf context die geen enkele hoeveelheid paragraaf-retrieval kan evenaren.

De vragen die er echt toe doen

Het gesprek rondom RAG moet veranderen. Stop met vragen hoe je een generieke RAG-pipeline bouwt. Begin met vragen welke specifieke taak het model moet oplossen, welke exacte data het nodig heeft om accuraat te zijn, en hoe je verifieert dat de samengestelde context voldoende is. Deze vragen dwingen je upstream naar datakwaliteit, schema-ontwerp, verificatielussen en bronherkomst. Ze leggen bloot of je kennisbank überhaupt geschikt is voor geautomatiseerd gebruik.

RAG is niet langer een enkel lineair proces dat je eenmalig installeert en vergeet. Het is een discipline van het samenstellen van de juiste context, zodat een model effectief kan redeneren. Dat betekent dat je retrieval moet behandelen als een systeemontwerpprobleem, niet als een library import.

De tools worden scherper. Zoeken is hybride. Routering is intelligent. Retrieval is gerangschikt, verrijkt en geverifieerd. De eenvoudige illusies van 2022 moesten instorten zodat er iets echt nuttigs voor in de plaats kon komen. Je taak is nu niet enkel het ophalen van tekst uit een database. Het is het bouwen van systemen die weten wat het model nodig heeft voordat het model begint na te denken.

Als je in dit veld bouwt, is de GyaanSetu leercommunity een plek om praktische inzichten uit te wisselen met mensen die dezelfde problemen oplossen: https://t.me/GyaanSetuAi