Van vraag in de chat tot rapport of grafiek — in deze deep dive loop je de volledige Qorai Agent Workflow door. Je ziet hoe Qorai autonoom je database ontdekt, data samplet, queries valideert en zichzelf verbetert over tijd.

Als je Qorai gebruikt, stel je gewoon een vraag in de chat. Achter die eenvoud zit een multi-agent architectuur die fundamenteel anders werkt dan traditionele text-to-SQL systemen.

§ 01Het probleem met traditionele systemen

Traditionele text-to-SQL oplossingen falen in enterprise-omgevingen door drie kritieke factoren:

  • Context bloat — te veel metadata in één keer naar het LLM sturen overweldigt het systeem.
  • Semantische ambiguïteit — kolomnamen zoals status_id of type_code zeggen niets over de inhoud.
  • Syntactische fragiliteit — één fout in de query en het systeem faalt zonder herstel.
Qorai's aanpak — de Qorai Agent Workflow

In plaats van één enkele prompt, gebruikt Qorai een multi-stage pipeline met Just-in-Time Context Injection. Alles draait 100% lokaal op jouw infrastructuur. We sturen geen data naar een externe AI — we sturen een autonome agent workflow naar je database om deze te ontdekken.

§ 02De complete Agent Flow

Wanneer je een vraag stelt, gaat je query door zes gespecialiseerde fasen. Elke fase heeft een eigen rol en expertise.

01

Discovery Agent

Ontdekt welke tabellen relevant zijn via Schema RAG. Geen volledige schema-dump.

02

Detective Agent

Samplet écht data om te begrijpen wat de inhoud betekent. Geen giswerk op veld-namen.

03

Architect Agent

Genereert de optimale SQL-query — join-aware, dialect-bewust, index-bewust.

04

Explainer Agent

Legt parallel aan de Architect in gewone taal uit wat de query doet — verifieerbaar.

05

Judge Agent

Valideert veiligheid, correctheid en performance. Blokkeert wat buiten scope valt.

06

Execution & Auto-Healing

Voert query uit; bij fout: automatische correctie en retry (max 3×).

§ 03Fase 1 — Dynamic Context Discovery (Schema RAG)

In databases met honderden tabellen — SAP-exports, Salesforce-integraties — is het onmogelijk om het volledige DDL-schema in de context-window van een LLM te plaatsen. Dat zou leiden tot context bloat waarbij relevante informatie verdrinkt in noise.

De "Smart Filter" mechanica

Stap 1 · Iteratieve introspectie. Qorai start met een lichtgewicht call naar information_schema (of equivalent). Enkel tabelnamen en metadata-tags, niet de volledige structuur.

Stap 2 · Vectorized schema selection. Je vraag wordt geëmbed en vergeleken met een lokaal geïndexeerde versie van alle tabel-omschrijvingen. Schema RAG in actie.

schema RAGTechnisch: k-Nearest Neighbors (k-NN) Input: Embedded user query Compare: Lokale vector store met table descriptions Output: Top 5-10 meest relevante tabellen Result: ~95% reductie in context size

Stap 3 · On-demand DDL generation. Pas nadat de relevante tabellen zijn geselecteerd, genereert de agent de volledige DDL inclusief column definitions, CONSTRAINTs, FOREIGN KEY relaties en INDEX informatie.

Traditionele aanpak
  • Dump alle schema info in de prompt
  • LLM moet alles zelf filteren
  • Context window vol irrelevante data
  • Lagere accuracy door noise
Qorai Schema RAG
  • Intelligente pre-filtering
  • Alleen relevante tabellen laden
  • Schone, gefocuste context
  • Hogere accuracy, sneller

§ 04Fase 2 — De Detective Loop (Semantic Data Profiling)

Een veelvoorkomend probleem: kolomnamen zoals status_id of type_code zeggen niets over de actuele inhoud. Is status een boolean? Een integer? Een string met waarden 'A' en 'I'? Hier falen de meeste systemen.

Qorai lost dit op met Just-in-Time Sampling: de agent gedraagt zich als een data-analist die eerst de data bekijkt voordat hij conclusies trekt.

Sample & Peek

De Detective Agent voert autonoom sample-queries uit:

sample queriesSELECT * FROM customers LIMIT 100; SELECT * FROM orders WHERE order_date > NOW() - INTERVAL '3 months' LIMIT 50;

Als jij vraagt om "actieve klanten", controleert de agent in de sample-data: is er een is_active boolean? Een status kolom met waarden 'A', 'Active', '1'? Of een last_order_date waaruit activiteit afgeleid kan worden?

De agent bekijkt ook distributies: hoeveel unieke waarden? NULL-waarden? min/max?

Resultaat

Deze fase elimineert ~90% van de logische fouten die optreden bij standaard AI-oplossingen, omdat de query wordt gebouwd op basis van werkelijke data in plaats van enkel metadata.

§ 05Fase 3 & 4 — Multi-Model Orchestration

Qorai gebruikt een gespecialiseerde architectuur waarbij verschillende AI-modellen parallel werken, elk geoptimaliseerd voor hun specifieke taak.

De Architect — SQL generation

Een lokaal draaiend LLM (geoptimaliseerd voor code-generatie) bouwt de SQL-query met focus op:

  • Correcte join-path optimalisatie — de kortste route tussen tabellen
  • CTE's voor leesbaarheid en performance
  • Dialect-specifieke functies — PostgreSQL window functions, Snowflake syntax, …
  • Index-aware queries — gebruik van bestaande indexes waar mogelijk
generated sqlWITH active_customers AS ( SELECT customer_id, name, email FROM customers WHERE status = 'A' AND last_order_date > NOW() - INTERVAL '1 year' ), customer_orders AS ( SELECT customer_id, COUNT(*) AS order_count FROM orders WHERE order_date >= '2024-01-01' GROUP BY customer_id ) SELECT ac.name, ac.email, COALESCE(co.order_count, 0) AS orders FROM active_customers ac LEFT JOIN customer_orders co ON ac.customer_id = co.customer_id ORDER BY orders DESC;

De Explainer — natural language generation

Parallel aan de Architect draait een tweede agent, eveneens lokaal, die de query ontleedt en uitlegt:

Qorai's uitleg

"Ik heb alle actieve klanten opgezocht (status 'A' en bestelling in laatste jaar), en gekeken hoeveel orders ze sinds januari 2024 hebben geplaatst. De lijst is gesorteerd van meeste naar minste orders. Klanten zonder orders in 2024 staan onderaan met '0'."

Business users kunnen nu verifiëren of de AI hun vraag correct heeft geïnterpreteerd, zonder SQL te lezen. Dat bouwt vertrouwen op.

§ 06Fase 5 — The Judge Node (Validation Gate)

Geen enkele query wordt uitgevoerd zonder een strenge validatie-gate. Dit is cruciaal voor stabiliteit en veiligheid.

Technical validation checks

1 · Veiligheidscontrole. Destructieve commando's (DROP, DELETE, TRUNCATE, UPDATE) worden geblokkeerd. Alleen SELECT en read-only. SQL-injection patterns worden afgevangen.

2 · Syntactische logica. Zijn alle kolommen gedefinieerd? Kloppen de join-condities? Worden aggregate functions correct gebruikt?

3 · Performance guards. Is er een LIMIT bij open-ended queries? Zijn er WHERE clauses op grote tabellen? Geen ongeïndexeerde full table scans op productiedata.

§ 07Fase 6 — Execution & Auto-Healing

De query wordt nu uitgevoerd op je database. Wat als er toch een fout optreedt?

De Auto-Healing loop

Mocht de database-engine een error teruggeven, bijvoorbeeld:

errorERROR: column "last_order_date" does not exist HINT: Perhaps you meant to reference column "latest_order_date"

Dan gebeurt er iets bijzonders:

  1. Error analysis — de error-log gaat direct terug naar de Architect Agent.
  2. Root cause identification — agent bepaalt wat er mis ging (typo, verkeerde tabel, missing join).
  3. Query correction — agent past de query aan op basis van de foutmelding.
  4. Retry — nieuwe query gaat opnieuw door Judge en Execution.
Bounded

Maximaal 3 retries om oneindige loops te voorkomen. Bij blijvende fouten krijg je een heldere uitleg wat er mis ging — geen stille faalmodus.

§ 08Het "Shotgun" systeem — Learning from Success

Dit is het meest innovatieve onderdeel van Qorai: de overgang van een generatief systeem naar een leersysteem.

De Verified Query Store

Wanneer jij of een data-expert een antwoord markeert als "Correct", gebeurt het volgende:

1 · Tuple storage. De combinatie [vraag + SQL + uitleg] wordt gehasht en opgeslagen in een Verified Query Store (vector database).

2 · High-confidence retrieval. Bij elke nieuwe inkomende vraag voert de agent eerst een "Shotgun" check uit: is er een geverifieerde query die >90% overeenkomt met deze vraag? Zo ja → skip fase 1 t/m 4 volledig en haal de geverifieerde SQL direct uit de cache.

3 · Drastische latency-reductie.

Eerste keer — generatief
~12–15 s
Volledige agent flow
Met Shotgun — cache hit
<1 s
100% accuracy gegarandeerd
Verwacht Q2–Q3 2026

Het Shotgun-systeem wordt momenteel in productie getest bij pilot-klanten. Volledige uitrol verwacht medio 2026.

§ 09Data Proximity — alles blijft bij jou

Laten we transparant zijn: er verlaat niets je infrastructuur. Qorai draait 100% lokaal, inclusief het taalmodel. Geen uitzonderingen.

Draait lokaal
  • Je volledige database (read-only)
  • De volledige Qorai Agent Workflow
  • De Qorai Governance Layer
  • Het taalmodel (Ollama / vLLM)
  • Vector store (schema index)
  • Verified Query Store (Shotgun cache)
  • Chainlit chatinterface
  • Sample data uit Fase 2
  • Gesprekshistorie
Verlaat NOOIT je netwerk
  • Geen API-calls naar publieke LLM's
  • Geen schema naar derden
  • Geen telemetrie, phone-home of logging
  • Geen data voor training
  • Volledig air-gapped mogelijk

Dit is geen optie of upgrade. Het is onze enige modus. De Qorai Governance Layer maakt dit juridisch afdwingbaar: elke stap is traceerbaar, auditeerbaar en gedocumenteerd.

§ 10Waarom deze aanpak superieur is

Traditionele text-to-SQL
  • Eén prompt, alles-of-niets
  • Context bloat bij grote schemas
  • Geen begrip van data-inhoud
  • Geen error recovery
  • Wordt niet slimmer over tijd
Qorai Agent Flow
  • Multi-stage pipeline
  • Intelligente schema filtering
  • Just-in-Time data sampling
  • Autonome error correction
  • Leert en versnelt over tijd

§ 11Voor de data architect — Scalability, Governance & Compliance

Wat betekent deze architectuur voor jouw organisatie?

Scalability

De "self-discovering" natuur betekent dat Qorai meegroeit met schema-wijzigingen zonder handmatige updates. Voeg je een nieuwe tabel toe? Qorai detecteert deze automatisch bij de volgende query die relevant is.

Qorai Governance Layer

  • Volledige transparantie — elke stap is traceerbaar en auditeerbaar
  • Explainer fase — business users begrijpen wat er gebeurt
  • Judge node — geen destructieve operaties mogelijk
  • Audit trail — wie vroeg wat, wanneer, en met welk resultaat
  • RBAC — role-based access control op gebruikersniveau
  • Compliance-ready — ondersteunt GDPR, EU AI Act (traceerbaarheid), NIS2 (supply chain) en DORA (derdepartijrisico)

Performance

Door de Shotgun-methode wordt het systeem naarmate de tijd verstrijkt niet alleen slimmer, maar ook drastisch sneller. Veelgestelde vragen gaan van 15 seconden naar sub-seconde response times.

§ 12Conclusie — een intelligente abstractielaag

Qorai is niet zomaar een chat-interface voor je database. Het is een volledige AI-laag die 100% lokaal draait en:

  • autonoom je database ontdekt en begrijpt
  • intelligent filtert wat relevant is
  • werkelijke data samplet om inhoud te begrijpen
  • geoptimaliseerde queries genereert met meerdere gespecialiseerde agents
  • zichzelf valideert en corrigeert
  • leert van succesvolle queries om sneller te worden

De barrière tussen complexe relationele data en direct zakelijk inzicht? Die is verdwenen.

Long read · ArchitectuurQorai · platform deep dive
Interesse in een technical briefing? Plan een sessie →