Hoe Smartshore & Ability een intelligente kennisdienst bouwden met Strapi en multi-agent AI

Een technische deepdive in het transformeren van wetenschappelijke content naar een toegankelijk AI-gedreven platform

Toen de Universiteit Leiden en de provincie Zuid-Holland ons (Smartshore & Ability) benaderden met de uitdaging om wetenschappelijk onderzoek naar geluidsoverlast toegankelijk te maken voor burgers, beleidsmakers en professionals, wisten we dat traditionele CMS-oplossingen niet zouden volstaan. De Geluidshinder Aanpak-gids (https://geluidshinderaanpak.nl/) bevatte waardevolle, wetenschappelijk onderbouwde oplossingen voor stedelijke geluidsoverlast, maar werd gehinderd door toegangsdrempels, technisch jargon en een statische HTML-structuur.

Dit is het verhaal van hoe we Strapi (https://strapi.io/) gebruikten als ruggengraat van een multi-agent AI-systeem dat ontoegankelijke wetenschappelijke kennis omzet in een intelligente, gepersonaliseerde kennisdienst. En belangrijker nog: het is een blauwdruk voor hoe headless CMS-architectuur AI-toepassingen mogelijk maakt die met traditionele, monolithische systemen ondenkbaar zouden zijn.

Het Probleem: Wanneer Kennis een Blok aan het Been Wordt

De originele gids kende zeven kritieke barrieres:

• Content vergrendeld achter authenticatie

• Geen semantische HTML-structuur of navigatie

• Wetenschappelijk jargon onbegrijpelijk voor practitioners

• Nul WCAG-compliance

• Geen zoekfunctionaliteit

• Statische content waarvoor elke update een ontwikkelaar vereist

• Geen contextbegrip of personalisatie

Voor een overheidsorganisatie waren deze barrières niet slechts onhandig — ze vertaalden zich in meetbare kosten: hoge helpdeskdruk, verspilde onderzoeksinvesteringen en gemiste maatschappelijke impact. De vraag werd: hoe transformeren we dit naar een levende, intelligente dienst?

Waarom Headless CMS Onmisbaar Is voor AI

Hier is het cruciale inzicht dat we opdeden: AI-toepassingen vereisen gestructureerde, machine-leesbare content met rijke metadata. Traditionele CMS-platformen zoals WordPress zijn ontworpen voor directe websiterendering; ze vermengen content met presentatie, genereren HTML en missen semantische structuur.

Dit is waar Strapi's API-first architectuur essentieel wordt:

1. RESTful API Standaard Ingebouwd

Strapi stelt je content automatisch beschikbaar via een RESTful API. Geen maatwerkontwikkeling, geen HTML-parsing-nachtmerries. Onze AI-pipeline haalt gestructureerde JSON rechtstreeks uit Strapi op met een eenvoudig GET-verzoek:

// Schone, gestructureerde data klaar voor AI-verwerking
const response = await fetch('https://cms.example.com/api/articles?populate=*');
const articles = await response.json();

2. Rijke Metadatastructuur

We modelleerden content in Strapi met velden die specifiek zijn ontworpen voor AI-gebruik:

• Titel en content (vanzelfsprekend)

• Auteur en publicatiedatum (voor geloofwaardigheidssignalen)

• Categorie en tags (voor semantische classificatie)

• Doelgroepmarkeringen (burger, beleidsmaker, architect, wetenschapper)

• Bronvermeldingen en referenties

Deze metadata is niet slechts een leuke toevoeging. Het is cruciaal voor ons multi-agent systeem om intelligente routeringsbeslissingen te nemen.

3. Content Versiebeheer en Audittrail

Overheidstoepassingen vereisen volledige traceerbaarheid. Strapi's ingebouwde versiebeheer stelt ons in staat elke contentwijziging bij te houden — essentieel voor compliance en het debuggen van AI-antwoorden.

De Architectuur: Van Strapi naar Intelligente Antwoorden

Onze oplossing gebruikt Strapi als de enige bron van waarheid in een vijflaagse architectuur:

Laag 1: Contentbeheer (Strapi)

Niet-technische wetenschappers en beleidsmakers beheren content in Strapi's intuïtieve editor. Geen ontwikkelaarsbetrokkenheid nodig voor contentupdates — cruciaal voor het actueel houden van wetenschappelijke kennis.

Laag 2: Geautomatiseerde Datapipeline

Hier schittert Strapi's API. We bouwden een volledig geautomatiseerde pipeline die:

// Vereenvoudigde pipelineflow
async function syncContentToAI() {
  // 1. Ophalen uit Strapi API
  const articles = await fetchFromStrapi();
  
  // 2. Transformeren naar AI-klaar formaat
  const chunks = articles.flatMap(article =>
    chunkArticle(article, {
      maxChunkSize: 500,
      preserveMetadata: true
    })
  );
  
  // 3. Embeddings genereren
  const embeddings = await generateEmbeddings(chunks);
  
  // 4. Opslaan in vectordatabase
  await pinecone.upsert(embeddings);
}

De chunkingstrategie verdient speciale aandacht. Grote documenten verwarren AI-modellen. Onze oplossing: intelligente chunking die artikelen opsplitst in semantische eenheden (alinea's, secties) met behoud van metadata. Elk fragment behoudt zijn bron-URL, auteur en categorie — essentieel voor citaties en geloofwaardigheid.

Waarom dit belangrijk is: wanneer een gebruiker vraagt naar geluidsdemping, haalt de AI alleen de 3-5 meest relevante fragmenten op in plaats van volledige documenten te verwerken. Dit verbetert de nauwkeurigheid, verlaagt de kosten en maakt nauwkeurige citaties mogelijk.

Laag 3: Vectordatabase (Pinecone)

Fragmenten worden omgezet in vectorembeddings en opgeslagen in Pinecone voor semantisch zoeken. In tegenstelling tot zoeken op trefwoorden begrijpt semantisch zoeken de intentie:

Vraag: "Hoe kan ik voorkomen dat mijn nieuwe woningbouwproject te veel lawaai heeft?"

Traditioneel zoeken: Zoekt naar exacte overeenkomsten van "woningbouwproject" en "lawaai"

Semantisch zoeken: Begrijpt de intentie en haalt content op over geluidsisolatie, stedenbouw, groene buffers — ook als deze exacte termen niet in de vraag staan.

Laag 4: Multi-Agent AI (Flowise)

Hier wordt het interessant. In plaats van een monolithische AI bouwden we een multi-agent systeem waarbij vijf gespecialiseerde agents samenwerken:

• Agent 1: Scopebepaling - Bepaalt of de vraag binnen het domein van de gids valt. Voorkomt hallucinatie door vragen buiten scope te weigeren.

• Agent 2: Buiten-scope-handler - Biedt nuttige doorverwijzingen wanneer vragen buiten scope vallen, met behoud van positieve gebruikerservaring.

• Agent 3: Vector Query - Voert semantisch zoeken uit op Pinecone om relevante contentfragmenten op te halen.

• Agent 4: Doelgroepanalyse - Analyseert taalpatronen om het gebruikerstype te identificeren (burger, beleidsmaker, architect, wetenschapper) zonder login of expliciete profielen.

• Agent 5: Antwoordformulering - Synthetiseert inputs tot gepersonaliseerde antwoorden die aansluiten bij het expertiseniveau van de doelgroep, bronvermeldingen bevatten die teruglinken naar Strapi-content, en de doelgroepveronderstelling expliciet vermelden ("Dit antwoord is gericht op een beleidsmaker…").

Laag 5: WCAG-Conforme Frontend

De laatste laag is een volledig toegankelijke frontend die voldoet aan WCAG 2.1 AA-normen, zodat de dienst bruikbaar is voor iedereen — inclusief mensen met een beperking.

Het Strapi Contentmodel: Geoptimaliseerd voor AI

Onze Strapi-contentstructuur voor AI-verwerking:

// Vereenvoudigd Strapi content type
{
  "article": {
    "title": "String",
    "content": "RichText",
    "author": "Relation",
    "publishedAt": "DateTime",
    "category": "Enumeration",
    "tags": "Relation (many)",
    "targetAudience": "Enumeration (multiple)",
    "scientificReferences": "Component (repeatable)",
    "metaDescription": "Text",
    "seoKeywords": "Text"
  }
}

Belangrijkste keuzes:

• Rich text voor content (behoudt semantische structuur)

• Geënumereerde categorieën (voorkomt inconsistentie)

• Veel-op-veel tagreaties (flexibele classificatie)

• Doelgroepmarkeringen (maakt personalisatie mogelijk)

• Aparte wetenschappelijke referenties (voor integriteit van citaties)

Resultaten: Van Wetenschap naar Impact

De resultaten valideren onze architectuur:

Operationele Efficiëntie:

• Contentupdates propageren binnen minuten naar AI (voorheen: weken aan ontwikkeltijd)

• 40-60% reductie in routinevragen bij de helpdesk

• Nul synchronisatieproblemen (single source of truth)

Gebruikerservaring:

• 100% WCAG 2.1 AA-compliance

• Automatische taaladaptatie op basis van gebruikersprofiel

• Volledige transparantie met bronvermeldingen

• Real-time actualiteit van content

Strategische Waarde:

• Wetenschappelijke kennis die jarenlang ontoegankelijk was, is nu bruikbaar

• Schaalbaar blauwdruk voor andere kennisdomeinen (luchtkwaliteit, energie, gezondheidszorg)

• Herbruikbare infrastructuur verkort de time-to-market aanzienlijk

Belangrijkste Lessen voor Strapi-ontwikkelaars

Als je AI-gedreven kennisdiensten bouwt, dit zijn onze inzichten:

1. Headless CMS Is Geen Optie. Het Is Essentieel! AI-toepassingen vereisen API-first toegang tot gestructureerde content. Strapi's architectuur maakt dit moeiteloos.

2. Ontwerp Contentmodellen voor Machines ÉN Mensen Denk verder dan websiterendering. Structureer je contenttypes met rijke metadata die intelligente AI-beslissingen mogelijk maakt.

3. Omarm de Pipelinementaliteit Je CMS is het begin van een datapipeline, niet het einde. Ontwerp met geautomatiseerde synchronisatie in gedachten.

4. Single Source of Truth Schaalt Één gecentraliseerde contentrepository (Strapi) die meerdere frontends voedt (web, AI, mobiel) voorkomt de synchronisatienachtmerries die traditionele architecturen teisteren.

5. Multi-Agent > Monolithisch Gespecialiseerde agents met duidelijke verantwoordelijkheden leveren betrouwbaardere, beter onderhoudbare systemen op dan monolithische AI-oplossingen.

Wat Komt er Hierna?

Deze architectuur is niet geluidsspecifiek. Hetzelfde blauwdruk is toepasbaar op elk domein waar complexe kennis toegankelijk moet worden: beleidsdocumentatie, medische richtlijnen, technische specificaties en educatieve content.

Als je waardevolle content hebt die vastzit in ontoegankelijke formats, overweeg dan dit: Strapi's headless architectuur maakt niet alleen websites mogelijk. Het maakt intelligente, gepersonaliseerde kennisdiensten mogelijk die echte maatschappelijke impact creëren.

De toekomst van content gaat niet alleen over publiceren. Het gaat over het werkelijk toegankelijk maken van kennis via AI. En die toekomst is gebouwd op API-first, headless CMS-platformen zoals Strapi.