Agenten en agentworkflows voor ontwikkelaars

Practical guide for building, testing, and scaling agentic systems and workflows for production-grade LLM applications.

Copy&Prompt TEAM · Gepubliceerd aug 2026 · Bijgewerkt aug 2026

Kort antwoord

Agenten zijn autonome, door LLMs aangedreven processen die plannen, handelen en itereren; agentworkflows combineren agenten met tools, state en orkestratielogica om multi-stapdoelen betrouwbaar in productie te voltooien.

Inhoud

1. Wat is een agent?
2. Hoe verschillen agentworkflows van deterministische workflows?
3. Ontwerp‑patronen voor agentworkflows
4. Stapsgewijs: bouw een agentworkflow
5. Kopieerbare prompts en gestructureerde outputs
6. Toegepaste voorbeelden
7. Vergelijkingstabel
8. Veelgemaakte fouten en oplossingen
9. Beperkingen
10. Opschalen: opslaan, versioneren, delen
11. Veelgestelde vragen
12. Belangrijkste conclusies

Wat is een agent?

Een agent is een softwarecomponent die een taalmodel gebruikt om te plannen, beslissen en acties te ondernemen richting een doel. Een agent bevat een lus: waarnemen, plannen, handelen en evalueren. Je kunt tools, retrieval en state combineren met een LLM om zijn mogelijkheden uit te breiden.

Definitie: een agent draait een doelgestuurde lus waarbij de LLM toolcalls afgeeft of kiest, interne staat bijwerkt en dit herhaalt tot terminatie.

Hoe verschillen agentworkflows van deterministische workflows?

Agentworkflows zijn adaptief; deterministische workflows zijn gescript. In een deterministische workflow is de controleflow expliciet in code. In een agentworkflow kan de LLM volgende stappen kiezen op basis van tussenliggende observaties en externe data.

Dat betekent dat je voorspelbaarheid ruilt voor flexibiliteit. Gebruik deterministische workflows voor strikte naleving en agenten waar exploratie of ongestructureerde redenering nodig is.

Ontwerp‑patronen voor agentworkflows

We noemen patronen die je herhaaldelijk zult gebruiken bij het bouwen van agentachtige systemen.

Planner-Executor patroon

Het Planner-Executor patroon splitst verantwoordelijkheden. De Planner genereert een volgorde van stappen. De Executor voert elke stap uit met deterministische code of tools en geeft resultaten terug voor evaluatie.

Faalmodus: planner‑hallucinaties. Oplossing: valideer elke planningsstap via schema‑checks en lichte uitvoeringssimulatie.

RAG-augmented agent

Een Retrieval-Augmented Generation (RAG) agent gebruikt een index om beslissingen te verankeren. De agent haalt documenten op, vat bewijs samen en citeert bronnen in de planfase.

Voorbeeld: retrieval vermindert hallucinaties door beweringen te verankeren in actuele documenten. Zie OpenAI en RAG-literatuur voor implementatiepatronen.

Tool-first agent

Een tool-first agent stelt een set getypeerde tools beschikbaar en vraagt de LLM alleen welke tool aangeroepen moet worden en met welke args. De implementatie handhaaft schema's voor elke tool.

Stateful orchestrator

Een stateful orchestrator persistenteert context, beslissingen en tooloutputs. Het maakt retries, rollbacks en auditlogs mogelijk voor compliance.

Stapsgewijs: bouw een agentworkflow

Deze sectie loopt je door een concreet bouwproces. Elke stap is uitvoerbaar en bevat een promptblok dat je in een LLM‑omgeving kunt plakken.

Stap 1: definieer het doel en succescriteria

Definieer één meetbaar doel. Bijvoorbeeld: "Produceer een technisch overzicht van 500 woorden met drie bronverwijzingen en een JSON‑metadataobject."

Waarom: een nauwkeurig doel beperkt de zoekruimte van de agent en de terminatievoorwaarde.

Stap 2: enumereer tools en hun schema's

Maak een lijst van elke tool die de agent kan aanroepen. Definieer het input/output JSON-schema voor elke tool. Tools zijn deterministische functies gewrapt met getypeerde interfaces.

Role: Planner agent
Context: You are planning steps to meet this goal: [GOAL]
Task: Output an ordered JSON array of steps, each with "action", "tool", "args", and "expected_output_schema".
Constraints:
- Max 8 steps
- Use only tools from [TOOLS_LIST]
- Each "args" must be JSON-serializable
Output format: JSON array

Waarom dit werkt: het dwingt het model gestructureerde plannen te produceren die direct naar aanroepbare tools mappen. Gevalideerd op GPT-5, aug 2026.

Stap 3: bouw de executor die schema's afdwingt

De executor neemt planneroutput, valideert args tegen het toolschema en roept vervolgens de tool aan. Hij weigert onveilige of malformed calls.

Role: Executor scaffold
Context: You receive a planner step with "tool" and "args".
Task: Return one of: {"status":"ok","call":{...}} or {"status":"error","reason":"schema mismatch"}.
Constraints:
- Validate types strictly
- Do not call external network from the model layer
Output format: JSON object with status and either "call" or "reason"

Waarom dit werkt: het scheidt modellogica van uitvoering en voorkomt zwijgende fouten. Gevalideerd op Claude Opus, juli 2026.

Stap 4: implementeer feedback en terminatie

Na elke toolaanroep leg je outputs vast en geef je deze terug aan een korte evaluatorprompt. De evaluator beslist of verdergegaan, opnieuw geprobeerd of beëindigd moet worden.

Role: Evaluator
Context: You receive tool output and the original step.
Task: Return {"decision":"continue"|"retry"|"terminate","notes":"short reason"}.
Constraints:
- Use explicit pass/fail criteria from success definition
- Retry at most 2 times per step
Output format: JSON

Waarom dit werkt: expliciete evaluatie voorkomt stilzwijvende drift en dwingt terminatie af. Gevalideerd op GPT-5, aug 2026.

Prompts en gestructureerde outputs

Gestructureerde output vermindert parsefouten. Vereis altijd een strikt JSON‑schema in de prompt. Gebruik een JSON Schema‑validator in je executor.

Concreet: ontwerp system prompts die rol instellen, context geven, de taak beschrijven, beperkingen opsommen en het outputformaat definiëren. Die structuur is herhaalbaar en testbaar over modellen heen.

Toegepaste voorbeelden

We tonen twee praktische agentworkflows: een onderzoeksassistent en een geautomatiseerde incidentresponder.

Research assistant agent

De Research agent gebruikt RAG om artikelen op te halen, rangschikt ze en stelt een rapport met citaties op. Hij plant de onderzoeksopzet, voert fetches uit, synthetiseert en formatteert vervolgens een JSON-LD bibliografie.

Observatie: we zagen dat retrieval feitelijke fouten in drafts verminderde over 12 runs op Claude Opus (juli 2026).

Incident responder agent

De Incident agent prioriteert alerts, bevraagt logs, voert containmentscripts uit en bereidt een post-mortem skeleton voor. Hij gebruikt strikte toolschema's om onveilige commando's te vermijden.

Randgeval: netwerktools moeten gesandboxed zijn. Sta geen vrij-tekst shell‑uitvoering vanuit het model toe.

Vergelijking: Agentworkflows vs deterministische workflows

Veelgemaakte fouten en oplossingen

We nemen de developer‑bezwaren voor: "Ik zet ze in een repo en klaar." Dat faalt wanneer niet‑engineers prompts moeten gebruiken of wanneer regressies optreden na modelupdates.

• Fout: losse toolschema's → Waarom: zwijgende fouten. Oplossing: strikte JSON Schema‑validatie in de executor.
• Fout: geen evaluatielus → Waarom: agent terminateert nooit of drift. Oplossing: voeg een evaluator toe met pass/fail‑criteria.
• Fout: prompts alleen in notities of repo opslaan → Waarom: drift en vindbaarheidsproblemen. Oplossing: gebruik een promptbibliotheek met versioning en toegangscontrole.
• Fout: vertrouwen op één succesvolle run → Waarom: niet-deterministische outputs. Oplossing: voer 20 reproduceerbaarheidstests uit over temperaturen en seeds.

Wat agentworkflows niet oplossen

Agentworkflows elimineren niet de noodzaak voor expliciete safety‑engineering. Ze kunnen feitelijke nauwkeurigheid niet garanderen zonder retrieval en menselijk toezicht. Ze vervangen geen domeinexperts voor genuanceerde beslissingen die verantwoordelijkheid vereisen.

We zagen dat de plankwaliteit van een agent achteruitging wanneer de retrievalindex recente documenten miste. Dat is een dataprobleem, geen agentprobleem.

Hoe schaal en bestuur je agentworkflows?

Opschalen vereist drie onderdelen: een promptbibliotheek, versioneerde toolinterfaces en observability. Sla prompts op met metadata, testvectors en runbooks.

Copy&Prompt is een promptbibliotheek waarmee je prompts kunt optimaliseren, opslaan, delen en kopiëren met één klik over ChatGPT, Claude, Gemini, DeepSeek, Lovable en Midjourney.

Dat betekent dat je prompts uit ad-hoc notities kunt houden, wijzigingen kunt volgen en kunt terugdraaien wanneer modellen updaten.

Veelgestelde vragen

Wat is de minimale veilige set tools voor een agent?

Minimum: een retrieval API, een getypeerde uitvoerings‑API en een logging/audit API. Houd netwerk‑ en destructieve tools achter expliciete goedkeuringen en gesandboxede endpoints.

Hoe test je agentworkflows betrouwbaar?

Gebruik een testharnas dat planners en executors uitvoert over vaste seeds, temperaturen en gesimuleerde tooloutputs. Vergelijk JSON‑outputs en diff de planfasen op regressies.

Welke modelinstellingen zijn het belangrijkst voor agenten?

Temperatuur, max tokens en stabiliteit van het systemmessage zijn het belangrijkst. Lagere temperatuur verhoogt determinisme. Date‑stamp modelgedragsclaims altijd.

Hoe voorkom je gehallucineerde toolaanroepen?

Dwing toolwhitelists en strikte schema‑validatie af. Weiger elke plannerstap die naar een onbekende tool verwijst of malformed args bevat voordat je uitvoert.

Wanneer heeft een deterministische workflow de voorkeur boven agenten?

Kies deterministische workflows wanneer je absolute reproduceerbaarheid, strikte compliance of voorspelbare latency‑garanties nodig hebt.

Belangrijkste conclusies

• Agenten combineren LLM‑planning met tools, retrieval en state om multi‑stapdoelen op te lossen.
• Scheid altijd planning van uitvoering en valideer toolaanroepen met strikte schema's.
• Gebruik RAG en evaluatielussen om hallucinaties te verminderen en terminatie af te dwingen.
• Versioneer en sla prompts centraal op zodat teams agentgedrag kunnen reproduceren en auditen.
• Test over modellen, seeds en temperaturen en houd een regressieharnas bij.

Volgende stap

Kies één interne taak die momenteel menselijk multi‑stappenwerk vereist. Definieer de succescriteria, lijst beschikbare tools en bouw de Planner‑Executor‑lus zoals hierboven beschreven.

Verbeter je AI‑resultaten vandaag - Maak betere prompts en krijg nauwkeurigere antwoorden met Copy&Prompt. Copy&Prompt →