Multi-agent documentintelligentieAILive
AgentFlow
Multi-agentplatform dat complexe bedrijfsbestanden omzet in geciteerde, verifieerbare directiebriefings.
Resultaat
85 % minder tijd voor documentcontrole
Het probleem
Directieleden verliezen uren met het handmatig samenvatten van complexe CSV-, Excel-, PDF- en DOCX-bestanden tot bruikbare samenvattingen.
Wat ik bouwde
Er is een georkestreerde DAG gebouwd van vijf gespecialiseerde LLM-agents (Orchestrator, Ingest, Retrieval, Verifier, Summarizer) met LangGraph, plus hybride semantisch zoeken en RAG.
De uitkomst
Elke briefing is automatisch verankerd in de brondocumenten, met strikte citaten en gemarkeerde risico's.
Hoe het werkt
- 01
Bestanden komen binnen bij Ingest, dat CSV, Excel, PDF en DOCX normaliseert tot één opgedeelde, gevectoriseerde representatie.
- 02
De Orchestrator bepaalt welke agents voor dit verzoek draaien in plaats van elke keer de volledige graaf te doorlopen.
- 03
Retrieval doet hybride zoek over de fragmenten: dichte embeddings voor betekenis, trefwoordmatching voor het exacte getal of de exacte clausule.
- 04
De Verifier toetst elke bewering in het concept aan de opgehaalde passage en schrapt of markeert alles wat hij niet kan onderbouwen.
- 05
De Summarizer schrijft de briefing met citaten erbij, en risico's die hij niet kon verifiëren worden benoemd in plaats van gladgestreken.
De AI-laag
Vijf agents in een LangGraph-DAG met gescheiden verantwoordelijkheden, want één prompt die moet inlezen, ophalen, verifiëren en samenvatten doet alle vier slecht. De Verifier is het dragende deel: die bestaat zodat geen ongefundeerde zin de briefing haalt.
De engineeringlaag
Daaromheen een FastAPI-service met documentparsing per formaat, achtergrondtaken voor alles wat traag genoeg is om een verzoek te laten verlopen, en een vectoropslag waar de retrievalstap uit leest. Citaten worden opgeslagen als bereiken terug naar het bronbestand, niet als tekst die het model herhaalde.
Belangrijke technische beslissingen
Een verifier-agent in plaats van een strenge prompt.
Een model zeggen dat het alleen mag stellen wat het kan onderbouwen houdt geen stand over een lang document. Een aparte ronde die elke bewering toetst aan een opgehaalde passage houdt dat wel, omdat dat een andere vraag is met een controleerbaar antwoord.
Hybride retrieval, niet alleen embeddings.
Dicht zoeken is goed in betekenis en onbetrouwbaar bij exacte tokens. Financiële briefings draaien op exacte tokens: een getal, een datum, een clausulenummer.
Een DAG, geen gesprek tussen agents.
Vrij gepraat tussen agents is lastig te debuggen en onbegrensd in kosten. Een expliciete graaf maakt elke run reproduceerbaar en elke stap inspecteerbaar.