PKM versus RAG versus Wiki versus geheugensystemen: helder uitgelegd

PKM, RAG, wikis en AI-geheugensystemen worden vaak besproken alsop ze hetzelfde probleem oplossen. Dat doen ze niet. Ze hebben allemaal te maken met kennis, maar ze werken op verschillende lagen:

• PKM helpt mensen om te denken.
• Wikis helpen groepen bij het behouden van gedeelde kennis.
• RAG helpt machines bij het ophalen van externe kennis.
• Geheugensystemen helpen AI-agents om context over tijd te behouden.

Het verwarren van deze systemen leidt tot slechte architectuur.

Je krijgt wikis vol persoonlijke schrijversnotities, RAG-systemen zonder bron van waarheid, geheugenniveaus die doen alsof ze databases zijn, en PKM-tools die overbelast zijn met automatiseringen waarvoor ze nooit ontworpen waren.

Een beter model is om ze te zien als verschillende delen van een kennisysteemsspectrum.

Dit artikel vergelijkt PKM, RAG, wikis en AI-geheugensystemen op basis van structuur, ophaling, eigendom, evolutie en praktijkgevallen.

De korte versie

Systeem	Primaire gebruiker	Hoofddoel	Ideaal voor
PKM	Individueel	Ontwikkel persoonlijke kennis	Denken, leren, synthese
Wiki	Team of publieke groep	Behoud gedeelde kennis	Documentatie, beleidsregels, referentie
RAG	Machinesysteem	Haal context op voor generatie	AI-antwoorden over externe data
AI-geheugen	AI-agent	Behoud context over tijd	Langlopende agents en personalisatie

Het belangrijkste onderscheid is dit:

PKM en wikis structureren kennis. RAG haalt kennis op. Geheugensystemen laten agentcontext evolueren.

Dat is het kernmentalmodel.

Waarom deze systemen verward worden

Ze overlappen in zichtbaar gedrag.

Ze kunnen allemaal:

• notities opslaan
• informatie ophalen
• vragen beantwoorden
• referenties organiseren
• ideeën verbinden

Maar ze verschillen in intentie.

Een PKM-systeem is niet zomaar een private wiki. Een wiki is niet zomaar een RAG-database. Een RAG-pijplijn is geen AI-geheugen. Een AI-geheugensysteem is geen vervanging voor gestructureerde documentatie.

De verwarring ontstaat door “kennis” als één ding te behandelen.

In de praktijk heeft kennis meerdere lagen:

1. Vastleggen
2. Structureren
3. Ophalen
4. Interpreteren
5. Hergebruiken
6. Evolutie

Verschillende systemen optimaliseren verschillende fasen.

De vier paradigma’s

1. PKM

PKM staat voor personal knowledge management.

Het is de praktijk van het vastleggen, organiseren, verbinden en gebruiken van kennis voor persoonlijk werk.

Typische PKM-systemen omvatten:

• Obsidian
• Logseq
• Notion
• eenvoudige Markdown-mappen
• Zettelkasten-systemen
• second brain-systemen

PKM wordt gedreven door mensen.

Het doel is niet alleen opslag. Het doel is beter denken.

Waar PKM goed in is

PKM werkt goed voor:

• een nieuw domein leren
• het ontwikkelen van originele ideeën
• notities over tijd verbinden
• artikelen of boeken schrijven
• persoonlijk onderzoek bijhouden
• een second brain bouwen

Een goed PKM-systeem is op een nuttige manier rommelig. Het ondersteunt onafgedachte gedachten, gedeeltelijke ideeën, private context en evoluerende concepten.

Daarom is PKM niet hetzelfde als documentatie.

Documentatie wil duidelijkheid. PKM tolereert ambiguïteit.

PKM-falingsmodi

PKM faalt vaak wanneer het wordt:

• een stortplaats
• een maptaxonomy-project
• een productiviteitsaesthetic
• een hobbië voor tool-optimalisatie
• een privaat archief dat niemand gebruikt

Het belangrijkste risico is verzamelen zonder synthese.

Als je alleen informatie opslaat, heb je geen kennissysteem. Je hebt een persoonlijke stortplaats.

Gekantoorde mening

PKM moet optimaliseren voor hergebruik, niet voor vastlegging.

Alles vastleggen voelt productief, maar het creëert schuld. De echte waarde verschijnt wanneer notities verbonden, herschreven, gecomprimeerd en gebruikt worden in output.

2. Wiki

Een wiki is een gestructureerde kennisbank ontworpen voor gedeelde referentie.

Typische wiki-systemen omvatten:

• DokuWiki
• MediaWiki
• Confluence
• BookStack
• Git-gebaseerde documentatiesites
• interne bedrijfskennisbanken

Een wiki is meestal formeler dan PKM.

Het moet beantwoorden:

Wat weten we, en waar is de huidige versie?

Waar wikis goed in zijn

Wikis werken goed voor:

• teamdocumentatie
• operationele runbooks
• productkennis
• beleidsdocumenten
• technische referentie
• onboardingsmaterialen
• stabiele domeinkennis

Een wiki is een sociaal contract.

Het zegt:

Deze pagina is de plek waar deze kennis leeft.

Dat maakt eigendom en onderhoud kritiek.

Wiki-falingsmodi

Wikis falen vaak omdat ze verouderen.

Vevoorkomende problemen:

• geen pagina-eigenaars
• verouderde schermafbeeldingen
• dubbele pagina’s
• onduidelijke canonieke versies
• te veel hiërarchie
• geen onderhoudsrhythm

Een wiki met oude informatie is erger dan geen wiki, omdat het valse zekerheid creëert.

Gekantoorde mening

Een wiki moet saai zijn.

Dat is een compliment.

Een goede wiki is niet waar ideeën geboren worden. Het is waar stabiele kennis behouden blijft nadat het nuttig geworden is voor anderen.

3. RAG

RAG staat voor retrieval augmented generation.

Het is een AI-architectuur waarbij een systeem relevante externe informatie ophaalt voordat het een taalmodel vraagt om een antwoord te genereren.

Een basis RAG-pijplijn heeft meestal:

1. Documenten
2. Chunking
3. Embeddings of zoekindex
4. Ophaling
5. Optionele reranking
6. Prompt-assemblage
7. LLM-generatie

RAG wordt gedreven door machines.

Het doel is niet om kennis te creëren. Het doel is om een model relevante context te geven op het moment van de query.

Waar RAG goed in is

RAG werkt goed voor:

• vraagbeantwoording over documenten
• interne zoekassistenten
• supportbots
• technische documentatieassistenten
• compliance-lookup
• onderzoek over grote corpora
• het verbinden van LLMs met bijgewerkte informatie

RAG is vooral nuttig wanneer het model de informatie niet kan of niet mag onthouden.

RAG-falingsmodi

RAG faalt vaak wanneer teams het behandelen als magische zoekfunctie.

Vevoorkomende problemen:

• slechte chunking
• zwakke ophaling
• ruisende context
• ontbrekende metadata
• geen bron van waarheid
• verouderde documenten
• zwakke evaluatie
• geen menselijke feedbacklus

RAG lost slecht kennismanagement niet op.

Als de onderliggende content gefragmenteerd, verouderd of contradictorisch is, zal het RAG-systeem die rommel met zelfverzekerdheid naar boven halen.

Gekantoorde mening

RAG is geen kennisstrategie.

RAG is een toegangsstrategie.

Het helpt machines bij het toegang krijgen tot kennis, maar het beslist niet welke kennis geldig, onderhouden, canoniek of nuttig is.

4. AI-geheugensystemen

AI-geheugensystemen geven agents persistente context beyond een enkele prompt of conversatie.

Ze kunnen opslaan:

• gebruikersvoorkeuren
• eerdere beslissingen
• langetermijnfeiten
• taakgeschiedenis
• samenvattingen
• reflecties
• geëxtraheerde entiteiten
• episodisch geheugen
• semantisch geheugen

Voorbeelden en gerelateerde ideeën omvatten:

• MemGPT-stijl geheugenniveaus
• langetermijn agent-geheugen
• episodisch geheugen
• semantisch geheugen
• vectorgeheugen
• profielgeheugen
• toolstaatgeheugen
• reflecterende agents

AI-geheugen wordt gedreven door agents.

Het doel is continuïteit.

Waar AI-geheugen goed in is

AI-geheugensystemen werken goed voor:

• persoonlijke assistenten
• langlopende coding agents
• onderzoeksagents
• customer support agents
• tutoring systemen
• workflow automatisering
• persistente companionen
• multi-sessie taakuitvoering

Geheugen is belangrijk wanneer het systeem zich moet gedragen alsof het onthoudt.

AI-geheugen falingsmodi

Geheugensystemen zijn gevaarlijk wanneer ze niet beheerd worden.

Vevoorkomende problemen:

• verkeerde feiten onthouden
• te veel opslaan
• privacyrisico
• verouderde voorkeuren
• slechte geheugentrangschikking
• geheugenvergiftiging
• geen vergetenmechanisme
• geheugen verwarren met waarheid

Een geheugensysteem heeft governance nodig.

Het moet beantwoorden:

• Wat moet onthouden worden?
• Wie heeft het goedgekeurd?
• Hoe lang moet het leven?
• Wanneer moet het vergeten worden?
• Hoe wordt het gecorrigeerd?

Gekantoorde mening

AI-geheugen is niet zomaar lange context.

Lange context laat een model meer tegelijk zien. Geheugen beslist wat overleeft over tijd.

Dat zijn verschillende problemen.

Kernverschillen tabel

Dimensie	PKM	Wiki	RAG	AI-geheugen
Primaire gebruiker	Individueel	Team of publieke groep	AI-systeem	AI-agent
Hoofdfunctie	Denken	Gedeelde referentie	Ophaling op query-moment	Persistente context
Kennisstatus	Evoluerend	Gestabiliseerd	Gehaald	Adaptief
Structuur	Flexibel	Expliciet	Indexgebaseerd	Gelerend of geëxtraheerd
Ophalingsstijl	Menselijke zoek en linking	Navigatie en zoek	Semantische of hybride ophaling	Relevantie plus significantie
Eigendom	Persoonlijk	Pagina- of team-eigenaars	Systeembeheerders	Agent- of gebruikerbestuurd
Tijdshorizon	Langetermijn persoonlijk	Langetermijn gedeeld	Query-moment	Multi-sessie
Beste output	Inzicht	Betrouwbare referentie	Gebaseerd antwoord	Continuïteit
Hoofdrisico	Opschonen	Veroudering	Slechte ophaling	Slecht geheugen
Goede metric	Hergebruik in denken	Vertrouwen en versheid	Antwoordkwaliteit	Nuttige continuïteit

Structuur vs ophaling vs evolutie

De eenvoudigste manier om deze systemen te begrijpen is om te vergelijken wat ze optimaliseren. De architectuurimplicaties van dit onderscheid worden diepgaand verkend in Retrieval vs Representation in Knowledge Systems.

PKM optimaliseert persoonlijke evolutie

PKM gaat over hoe je begrip verandert.

Je verzamelt materiaal, schrijft het om, verbindt het en zet het om in iets nuttigs.

De output is vaak:

• een beter mental model
• een geschreven artikel
• een beslissing
• een onderzoeksrichting
• een herbruikbaar inzicht

PKM gaat niet primair over snelle lookup. Het gaat om langetermijn sensemaking.

Wikis optimaliseren gedeelde structuur

Wikis gaan over stabiele kennis.

Ze vragen:

• Wat is het huidige antwoord?
• Wie is eigenaar?
• Waar moeten mensen naartoe?
• Wat moet bijgewerkt worden?

Een wiki werkt wanneer mensen hem vertrouwen.

RAG optimaliseert machineophaling

RAG gaat over het ophalen van de juiste context op het juiste moment.

Het vraagt:

• Welke documenten zijn relevant?
• Welke chunks moeten gebruikt worden?
• Hoeveel context past er?
• Wat moet het model citeren?

RAG werkt wanneer de ophalingkwaliteit hoog is en de broncorpus betrouwbaar.

AI-geheugen optimaliseert continuïteit

Geheugensystemen gaan over persistentie over sessies heen.

Ze vragen:

• Wat moet de agent onthouden?
• Wat moet vergeten worden?
• Welk geheugen is nu belangrijk?
• Hoe moet geheugen het gedrag veranderen?

Geheugen werkt wanneer het toekomstig gedrag verbetert zonder de agent te vervuilen met verouderde of onjuiste context.

Wanneer PKM gebruiken

Gebruik PKM wanneer de kennis persoonlijk, onaf of exploratief is.

Goede scenario’s:

• distributie systemen leren
• artikelen plannen
• LLM-architectuur onderzoeken
• boeknotities verzamelen
• een second brain bouwen
• persoonlijke experimenten bijhouden

Gebruik PKM wanneer je nog aan het denken bent.

Voorbeeld

Je leert over RAG-evaluatie.

Je verzamelt:

• artikelen
• benchmarknotities
• diagrammen
• implementatie-ideeën
• falen uit je eigen experimenten

Dit hoort eerst in PKM.

Later, zodra de kennis stabiliseert, kun je een artikel publiceren of het omzetten in documentatie.

Wanneer een wiki gebruiken

Gebruik een wiki wanneer kennis gedeeld en onderhouden moet worden.

Goede scenario’s:

• teamonboarding
• API-documentatie
• operationele runbooks
• architecture decision records
• productkennis
• implementatie-instructies
• supportprocedures

Gebruik een wiki wanneer anderen een betrouwbaar antwoord nodig hebben.

Voorbeeld

Je team heeft één correcte manier om een Hugo-site naar S3 en CloudFront te implementeren.

Dat hoort niet alleen in iemands privaat notities.

Het hoort in een wiki of documentatiesysteem met duidelijk eigendom.

Wanneer RAG gebruiken

Gebruik RAG wanneer een AI-systeem toegang nodig heeft tot externe kennis op het moment van de query.

Goede scenario’s:

• chatbot over documentatie
• zoekassistent over interne docs
• supportassistent over helpartikelen
• juridische of compliance-assistent
• onderzoek over grote documentsets
• ontwikkelaarsassistent over code-docs

Gebruik RAG wanneer het probleem is:

Het model heeft informatie nodig die buiten zijn gewichten leeft.

Voorbeeld

Je hebt honderden technische artikelen en wilt een assistent die vragen beantwoordt met behulp van die artikelen.

RAG is een goede match.

Maar alleen als de documenten schoon genoeg zijn om eruit te halen.

Wanneer AI-geheugen gebruiken

Gebruik AI-geheugen wanneer een agent continuïteit nodig heeft.

Goede scenario’s:

• coding agents die projectconventies onthouden
• persoonlijke assistenten die voorkeuren onthouden
• onderzoeksagents die lange onderzoeken voortzetten
• tutoring agents die studentvoortgang onthouden
• supportagents die eerdere interacties onthouden
• autonome agents die doelen bijhouden

Gebruik geheugen wanneer het systeem over tijd moet verbeteren.

Voorbeeld

Een coding agent moet onthouden:

• het project gebruikt Go
• tests draaien met een specifiek commando
• de gebruiker deelt voorkeur uit aan minimale afhankelijkheden
• database-migraties volgen een conventie

Dat is niet zomaar ophaling. Het is persistent operating context.

Hoe deze systemen combineren

De meest nuttige systemen zijn hybriden.

Een volwassen kennisarchitectuur kan er zo uitzien:

1. PKM voor persoonlijke exploratie
2. Wiki voor stabiele gedeelde kennis
3. RAG voor machinetoegang
4. AI-geheugen voor langlopende agentcontinuïteit

Elke laag heeft een taak.

Patroon 1. PKM naar wiki

Dit is de menselijke kennispijplijn.

Stroom:

1. Notities privé vastleggen
2. Ideeën verbinden
3. Inzichten destilleren
4. Stabiele kennis publiceren
5. Behouden als gedeelde referentie

Zo wordt persoonlijk onderzoek organisatorische kennis.

Voorbeeld

Je onderzoekt self-hosted kennistools in Obsidian.

Na het testen van DokuWiki, Nextcloud en statische Markdown-systemen schrijf je een stabiele gids op je site of teamwiki.

PKM creëerde het inzicht. De wiki behoudt het resultaat.

Patroon 2. Wiki naar RAG

Dit is de machinetoegangs pijplijn.

Stroom:

1. Canonieke wiki-pagina’s onderhouden
2. Ze indexeren
3. Relevante secties ophalen
4. Gebaseerde antwoorden genereren
5. Teruglinken naar bronnen

Dit is een van de schoonste RAG-patronen.

De wiki blijft de bron van waarheid. RAG wordt de toegangs laag.

Voorbeeld

Een supportbot beantwoordt vragen met behulp van een productwiki.

De bot zou de wiki niet moeten vervangen. Het moet citeren en gebruikers terugsturen naar de canonieke pagina’s.

Patroon 3. RAG plus geheugen

Dit is de agentcontinuïteits pijplijn.

Stroom:

1. RAG haalt externe feiten op
2. Geheugen slaat gebruikers- of taakcontext op
3. De agent combineert beide
4. Toekomstig gedrag verbetert

RAG beantwoordt:

Wat zegt de kennisbank?

Geheugen beantwoordt:

Wat is belangrijk over deze gebruiker, project of taak?

Voorbeeld

Een coding agent gebruikt RAG om framework-docs op te halen.

Het gebruikt geheugen om te onthouden dat je project ORMs vermijdt, sqlc de voorkeur geeft en gestructureerde logging gebruikt.

Dat zijn verschillende kennistypen.

Patroon 4. PKM plus AI-assistent

Dit is de hybride denkpijplijn.

Stroom:

1. Mens legt notities vast
2. AI vat samen en suggereert links
3. Mens editeert en valideert
4. Kennis wordt gestructureerder
5. Sommige pagina’s promoveren naar wiki of publicatie

De AI versterkt het PKM-systeem, maar het mag de waarheid niet bezitten.

Voorbeeld

Een AI-assistent kan verbindingen suggereren tussen notities over RAG, geheugensystemen en LLM Wiki.

Maar de mens beslist welke verbindingen zinvol zijn.

Veelvoorkomende architectuurfouten

Fout 1. RAG behandelen als een wiki

RAG is geen kennisbank.

Het creëert niet automatisch een canonieke structuur. Het haalt op uit wat er bestaat.

Als de bronnen slecht zijn, wordt RAG een zelfverzekerd interface naar slechte kennis.

Fout 2. Geheugen behandelen als een database

AI-geheugen is selectieve context, niet algemene opslag.

Een database slaat records op. Geheugen verandert gedrag.

Als je exacte feiten nodig hebt, gebruik dan een database of kennisbank. Als je continuïteit nodig hebt, gebruik dan geheugen.

Fout 3. PKM behandelen als documentatie

PKM kan rommelig zijn.

Documentatie mag dat niet.

Privaat notities kunnen half-gevormde ideeën bevatten. Gedeelde documentatie moet stabiele, onderhouden kennis bevatten.

Fout 4. Een wiki behandelen als een denkinstrument

Een wiki kan denken ondersteunen, maar het is niet ideaal voor vroege exploratie.

Als elk vroege gedachte een gepolijste pagina moet worden, stoppen mensen met schrijven.

Gebruik PKM voor ruw denken. Gebruik wikis voor duurzame kennis.

Fout 5. Lange context behandelen als geheugen

Lange context is geen geheugen.

Het helpt alleen zolang de context aanwezig is.

Geheugen persisteert, selecteert, updateert en vergeten soms.

Beslisgids

Gebruik dit eenvoudige beslismodel.

Als de kennis privaat en evoluerend is

Gebruik PKM.

Als de kennis gedeeld en stabiel is

Gebruik een wiki.

Als een AI moet antwoorden uit externe documenten

Gebruik RAG.

Als een agent continuïteit over tijd nodig heeft

Gebruik geheugen.

Als je alle vier nodig hebt

Bouw een gelaagd systeem.

Dwing niet één tool om elke taak te doen.

Het kennisysteemsspectrum

Deze systemen vormen een spectrum van menselijk denken tot AI-continuïteit.

Laag	Systeem	Rol
Menselijk gedachte	PKM	Verken en synthetiseer
Gedeelde structuur	Wiki	Behoud en onderhoud
Machinetoegang	RAG	Haal op en genereer
Agentcontinuïteit	Geheugen	Persisteer en adapt

De richting matters.

Kennis begint vaak als persoonlijke gedachte, wordt gedeelde structuur, wordt geïndexeerd voor machineophaling en wordt dan onderdeel van persistent agentgedrag.

Dat is de moderne kennisstack.

Waar LLM Wiki past

LLM Wiki-stijl systemen zitten tussen wiki en AI-architectuur.

Ze zijn geen klassieke RAG.

In plaats van alleen chunks op te halen op het moment van de query, proberen ze kennis vooraf te structureren in pagina’s, samenvattingen, entiteiten en links.

Dat maakt ze dichter bij gecompileerde kennissystemen.

Een nuttige plaatsing:

Systeem	Positie
Wiki	Menselijk onderhouden gestructureerde kennis
RAG	Ophaling op query-moment
LLM Wiki	Ingest-time machine gestructureerde kennis
Geheugen	Agent persistente context

Daarom hoort LLM Wiki bij kennisystemenarchitectuur, niet binnen gewone RAG.

Praktische voorbeelden

Voorbeeld 1. Persoonlijke technische blog

Een technische blogger kan gebruiken:

• PKM voor onderzoeksnotities
• Hugo-site als gepubliceerde kennis
• interne linking als wiki-achtige structuur
• RAG later voor sitesoek
• AI-geheugen voor schrijfassistentvoorkeuren

Dit is een sterke architectuur.

Het houdt menselijk oordeel centraal terwijl het toch AI-ondersteuning toestaat.

Voorbeeld 2. Engineering team

Een engineeringteam kan gebruiken:

• PKM voor individueel leren
• wiki voor standaarden en runbooks
• RAG-assistent voor interne docs
• geheugen voor coding agents die binnen repositories werken

De wiki moet canoniek blijven.

De RAG-assistent mag geen proces verzinnen. De geheugenlaag moet projectvoorkeuren onthouden, niet architectuurbeslissingen vervangen.

Voorbeeld 3. AI-onderzoekswerkflow

Een onderzoeker kan gebruiken:

• PKM voor papernotities
• wiki voor stabiele samenvattingen
• RAG voor literatuurzoek
• geheugen voor langlopende onderzoeksagents

Dit werkt omdat elke laag een andere tijdschaal afhandelt.

Beveiliging en governance

Kennissystemen worden riskant wanneer ze gevoelige of verouderde informatie opslaan.

PKM governance

Vragen:

• Wat moet privaat blijven?
• Wat moet gepubliceerd worden?
• Wat moet verwijderd worden?

Wiki governance

Vragen:

• Wie is eigenaar van elke pagina?
• Wanneer is het voor het laatst beoordeeld?
• Wat is canoniek?

RAG governance

Vragen:

• Welke bronnen zijn geïndexeerd?
• Zijn antwoorden geciteerd?
• Hoe wordt ophaling geëvalueerd?
• Welke content is uitgesloten?

Geheugen governance

Vragen:

• Wat wordt onthouden?
• Kunnen gebruikers geheugen inspecteren?
• Kunnen gebruikers geheugen verwijderen?
• Hoe worden verkeerde herinneringen gecorrigeerd?

Geheugen heeft de strengste governance nodig omdat het toekomstig gedrag stil kan beïnvloeden.

SEO en contentstrategie nota

Als je een technische site runt, is dit onderscheid niet alleen architecturaal. Het is ook redactioneel.

Je kunt content zo mappen:

• PKM-pagina’s verklaren menselijke kennispraktijken.
• Wiki-pagina’s verklaren gestructureerde kennissystemen.
• RAG-pagina’s verklaren ophalingstechniek.
• Geheugenspagina’s verklaren persistente AI-gedrag.
• Architectuurpagina’s vergelijken en verbinden de paradigma’s.

Dit geeft je site een schone autoriteitsmesh in plaats van een stapel losjes gerelateerde AI-artikelen.

Eindconclusie

PKM, RAG, wikis en AI-geheugensystemen zijn geen concurrenten.

Ze zijn verschillende antwoorden op verschillende vragen.

PKM vraagt:

Hoe denk ik beter over tijd?

Een wiki vraagt:

Wat weten we, en waar is de vertrouwde versie?

RAG vraagt:

Welke externe context moet het model nu gebruiken?

AI-geheugen vraagt:

Wat moet deze agent onthouden voor de toekomst?

Zodra je die vragen scheidt, wordt de architectuur duidelijk.

Gebruik PKM voor denken. Gebruik wikis voor gedeelde waarheid. Gebruik RAG voor ophaling. Gebruik geheugen voor continuïteit.

De toekomst is niet één kennissysteem dat alle anderen vervangt.

De toekomst is gelaagde kennisarchitectuur. Voor tools, methoden en self-hosted platforms over het volledige kennismanagement-spectrum, mappt de clusterpillar het terrein.

Bronnen en verder lezen

• https://cloud.google.com/use-cases/retrieval-augmented-generation
• https://aws.amazon.com/what-is/retrieval-augmented-generation/
• https://www.ibm.com/think/topics/retrieval-augmented-generation
• https://www.ibm.com/think/topics/knowledge-management
• https://arxiv.org/abs/2310.08560
• https://research.memgpt.ai/
• https://zettelkasten.de/posts/building-a-second-brain-and-zettelkasten/