# W33 | Live gebruik vindt aannames die tests niet zagen | Bouwlogboek

> Echte PA-notities door de generieke kennisgraaf halen legt twee verborgen profiel-aannames bloot die in gemockte unit-tests onzichtbaar bleven.

URL: https://joostboogaard.nl/build-ai-run-ai-own-ai/2026-W33/live-gebruik-vindt-aannames-die-tests-niet-zagen

*Week W33 · 10-16 augustus 2026*

> Build AI. Run AI. Own AI.

> Ik bouw dit niet in een lab, maar middenin mijn eigen leven als zzp'er en vader — en toch ontwerp ik elke keuze alsof er een enterprise-klant op leunt: multi-tenant vanaf dag 1, secrets die nooit een mens ziet, migraties die nooit terug kunnen. Dit is het logboek van die combinatie: zelf bouwen, zelf draaiend houden, zelf eigenaar blijven — inclusief de aanname, de misser en de prijs van elke keuze.

In [W28](https://joostboogaard.nl/build-ai-run-ai-own-ai/2026-W28/de-profielmotor-wordt-generieker-en-pa-kan-erop-aansluiten) en [W29](https://joostboogaard.nl/build-ai-run-ai-own-ai/2026-W29/een-generieke-engine-is-pas-bruikbaar-als-de-hele-route-klopt) trok ik de kennisgraaf los uit zijn oorspronkelijke profiel-mal (`me_*`), zodat ook mijn dagelijkse persoonlijke-assistentnotities (`pa_*`) op precies dezelfde motor konden draaien. Alle geautomatiseerde tests stonden op groen. Tot ik deze week echte notities door de volledige keten liet lopen en ontdekte dat twee diepgewortelde aannames uit de oude profielwereld stilletjes waren achtergebleven.

#### Het probleem dat opdook

Op papier was de kennisgraaf-engine volledig domein-onafhankelijk: je geeft een brontekst en een dimensie mee, de engine extraheert beweringen (*claims*), berekent embeddings en slaat ze op met bewijsverwijzingen. In mijn unit- en integratietests werkte dat feilloos, omdat de test-fixtures keurig het verwachte formaat aanboden.

Maar toen ik een echte PA-notitie live liet verwerken tot kennisclaims, liep de keten op twee plekken spaak:

1. **Een verborgen namespace-aanname.** Onder de motorkap verwachtte een deel van de verwerkingsroute nog steeds dat elke kennisbron hoorde bij een persoonlijk profieldossier (`me`), waardoor claims uit algemene werknotities (`pa`) tegen een muur liepen bij het koppelen van de bron-metadata.
2. **Een impliciet output-contract.** De parser ging nog uit van een veldstructuur die wél altijd uit de profiel-prompts kwam, maar net afweek bij de bredere PA-extractie. In een gemockte test viel dat niet op, omdat de mock het antwoord al in de juiste vorm klaarlegde; pas bij een echte model-aanroep spatte de keten uiteen.

Tegelijkertijd zag ik dat het berekenen van vector-embeddings op verschillende plekken in de codebase net anders was opgelost, met subtiele verschillen in hoe fouten en dimensies werden afgehandeld.

#### De makkelijke weg die ik had kunnen nemen

Ik had op de plek waar de PA-notitie vastliep snel een `if (domain === 'pa')`-uitzondering kunnen bijplakken die de velden ter plekke omvormt naar wat de oude profielmotor verwachtte. Dat is een patch van tien minuten. Maar daarmee zou ik precies doen wat ik mezelf heb verboden: het tweede domein behandelen als een tweederangs uitzondering op het eerste, waardoor elk volgend domein opnieuw een eigen vertaalpleister nodig heeft.

#### De keuze die ik maakte en de strategie erachter

Ik greep deze fouten aan om de scheiding tussen de generieke kennisgraaf en de domeinen echt waterdicht te maken:

- **Eén expliciet output-contract voor alle domeinen.** In plaats van domein-specifieke vertaaltrucs herstelde ik het contract tussen de extractie-capability en de kennisgraaf-opslag. Of een claim nu uit een cv, een vergadernotitie of een ander kennisdomein komt: het validatieschema aan de poort is exact hetzelfde.
- **Namespace-vrij verwerken in de kern.** De onderliggende runner kijkt niet meer met welke voorvoegsels een domein begon, maar handelt bronnen en dimensies af via generieke eigendoms- en workspace-sleutels.
- **Consolidatie van de embedding-keten.** Ik trok alle losse embedding-aanroepen samen naar één centrale service-laag. Elke claim, notitie of bronpassage gaat nu door exact dezelfde vectorisatie-pijplijn, met dezelfde foutafhandeling en dezelfde administratie.

#### Wat het kostte

Het rechtzetten van de namespace- en contractaannames dwong me om niet alleen de code aan te passen, maar ook kritisch naar mijn eigen teststrategie te kijken. Waarom waren alle tests groen terwijl de eerste echte notitie faalde? Omdat mocks in unit-tests vaak jouw eigen blinde vlekken herhalen: als jij denkt dat stap A altijd veld X oplevert, schrijf je een mock voor stap A die braaf veld X teruggeeft.

Ik heb de validatie daarom uitgebreid met ketentests die het daadwerkelijke contract tussen de lagen afdwingen in plaats van de tussenstap weg te mocken.

#### Wat het nu oplevert en wat ik ervan leerde

De kennisgraaf verwerkt nu live PA-notities én profieldocumenten via dezelfde motor en dezelfde gecentraliseerde embedding-service, zonder verborgen voorkeursbehandeling voor het oorspronkelijke profieldomein.

De les van deze week is een klassieker die in AI-systemen nog harder telt dan in gewone software: **groene unit-tests bewijzen dat je code klopt met je eigen aannames; pas live gebruik bewijst dat je aannames kloppen met de werkelijkheid.** En nu er steeds meer echte claims uit verschillende bronnen in die kennisgraaf landen, dient het volgende vraagstuk zich direct aan: hoe voorkom je dat meer opgeslagen kennis leidt tot meer ruis in het antwoord?

---

Volledig kennisoverzicht voor AI-agents: [llms.txt](https://joostboogaard.nl/llms.txt) | [llms-full.txt](https://joostboogaard.nl/llms-full.txt)
