De pipeline voor temporele agents heeft een eenvoudige onderliggende logica.
Verdeel de invoer in segmenten
Begin met een document, zoals de notulen van een bestuursvergadering of een jaarverslag. Verdeel het in hanteerbare stukken, zoals bijdragen van afzonderlijke sprekers of alinea's.
Extraheer uitspraken
Haal uit elk segment duidelijke, op zichzelf staande uitspraken, zoals: "Bedrijf X is marktleider."
Label het type
Feit (objectieve waarheid)
Mening (subjectief)
Voorspelling (prognose of schatting)
Statisch (waar op een bepaald moment)
Dynamisch (kan in de loop van de tijd veranderen)
Niet-tijdgebonden (tijdloos feit)
Bepaal het tijdsverloop
De agent stelt vast wanneer de uitspraak waar werd en, indien nodig, wanneer die niet meer waar was, dus wanneer die ongeldig werd. Dit gaat om de geldigheid van de informatie in de uitspraak. Die kan afwijken van het moment waarop de uitspraak werd gedaan of gepubliceerd.
Controleer op tegenstrijdigheden (ongeldigverklaring)
Als een nieuwe uitspraak een oude tegenspreekt, wordt de oudere vermelding als verlopen gemarkeerd en aan de nieuwere gekoppeld. De ongeldig geworden informatie wordt dus niet volledig uit de kennisbank verwijderd.
Dit proces is geautomatiseerd én traceerbaar, zodat je altijd kunt uitzoeken wat er is veranderd en waarom.
Het goede nieuws? Je hoeft niet je hele systeem opnieuw te ontwerpen. Temporele agents kunnen vaak rechtstreeks in je bestaande RAG-architectuur of kennispipeline worden geïntegreerd.
Belangrijkste componenten:
Semantische segmentatie: verdeel onbewerkte tekst in betekenisvolle delen.
Feitenextractie met LLM's: gebruik LLM's om feiten te herkennen, datums te detecteren en gebeurtenistypen te labelen.
Temporele classificatie: gebruik LLM's om uitspraken temporeel te classificeren en de geldigheidsperioden ervan te bepalen.
Logica voor temporele ongeldigverklaring: nieuwe feiten kunnen oudere automatisch bijwerken of laten verlopen, zonder handmatig versiebeheer.
Opslag op basis van tripels: bij kennisgrafen of een graafdatabase wordt elk feit opgeslagen als [Onderwerp]—[Actie]—[Object] + [Begintijd, Eindtijd].
Met de juiste opzet kunnen zelfs kleine teams binnen enkele weken van prototype naar productie gaan. Je kunt een prototype maken met de grotere modellen (GPT-4.1) en na stabilisatie overstappen op snellere versies (GPT-4.1-mini of nano). Lees voor meer technische diepgang het OpenAI Cookbook over temporele agents met kennisgrafen.
Je tijdsbewuste kennisgraaf staat dus goed op orde en je kunt vertrouwen op de gegevens erin. Hoe zet je dit solide gegevensfundament om in bedrijfswaarde?
Het kan lastig zijn om de gewenste informatie uit grote kennisbanken op te halen. Agents voor informatieophaling in meerdere stappen kunnen hierbij helpen. Deze systemen kunnen de kennisbank op intelligente wijze doorzoeken via meerdere onderling verbonden zoekopdrachten om de relevantste informatie voor de beantwoording van je vraag te vinden.
Naarmate je systeem opschaalt, worden efficiëntie en prestatieoptimalisatie steeds belangrijker. Planners kunnen de informatieophaling stroomlijnen, zodat latere fasen van de pipeline zich richten op wat belangrijk is. Ook het verfijnen van de zoek- en analysetools waartoe je kernsysteem toegang heeft, kan winst opleveren. Zo kun je complexere query's op grote kennisgrafen uitvoeren zonder aan snelheid of kwaliteit in te boeten.
Bij grootschalige implementaties kunnen parallelle graafdoorloop, caching van veelgebruikte querypaden en verdere verfijning en fine-tuning van prompts de prestaties aanzienlijk verbeteren.
Voor wie een temporele agent bouwt, hebben we in ons OpenAI Cookbook over temporele agents met kennisgrafen een volledige technische handleiding als opensource gepubliceerd. Die behandelt alles van extractielogica tot redenering in meerdere stappen, waaronder:
Volledige code en blauwdrukken voor pipelines
Richtlijnen voor modellen en evaluatiestrategieën
Best practices om van prototype naar productie op te schalen
Temporele agents veranderen hoe AI je wereld begrijpt: niet als statische feiten, maar als een levend verhaal dat zich voortdurend ontwikkelt.
Als je beslissingen niet alleen afhangen van wat er is gebeurd, maar ook van wanneer, is het tijd om temporeel te denken.
En je hoeft het niet alleen te bouwen. Wil je je systemen contextbewuster, beter voorbereid op besluitvorming of gewoon beter afgestemd op de werkelijkheid maken? We helpen je graag.