Hoe je agents en agentensystemen voor workflows bouwt

Praktische, technische handleiding om agents en agentensystemen te ontwerpen, testen en opschalen die betrouwbare workflows draaien voor productiegebruik.

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

Kort antwoord

Agents zijn autonome softwarecomponenten die taalmodellen, tools en state gebruiken om taken te voltooien. Bouw ze wanneer taken planning, tool-aanroepen of langdurige state vereisen. Geef de voorkeur aan georkestreerde workflows voor deterministische pipelines. Deze gids laat een reproduceerbare agents-architectuur zien, kopieerbare prompts, tests en schaaladviezen voor ontwikkelaars.

Inhoudsopgave

1. Wat zijn agents en agentensystemen?
2. Wanneer moet je een agent gebruiken?
3. Kernaanpak: componenten en patronen
4. Stap-voor-stap: bouw een agentische workflow
5. Drie kopieerbare prompt-sjablonen
6. Toegepaste voorbeelden
7. Agents vs workflows: vergelijking
8. Veelgemaakte fouten → waarom → oplossing
9. Beperkingen en wat agents niet oplossen
10. Schaal, versionering en governance
11. Hoe succes te verifiëren
12. Wat te doen als het faalt
13. Belangrijkste inzichten
14. FAQ

Wat zijn agents en agentensystemen?

Een agent is een softwarecomponent die autonoom handelt met een model, tools en state om een doel te bereiken. Een agentensysteem is één of meerdere agents die coördineren om meerstapswerk te voltooien. Agents voeren planning, tool-invocation, geheugenaccess en beslissingslogica uit in plaats van een vaste codepad.

Concreet: een agent ontvangt input, redeneert (planning/chain-of-thought), roept tools of API's aan, werkt state bij en retourneert resultaten. Moderne agents gebruiken vaak retrieval-augmented generation (RAG) om beslissingen te onderbouwen met externe gegevensbronnen.

Wanneer moet je een agent gebruiken?

Gebruik een agent wanneer taken dynamische planning, tool chaining of langdurige interactie vereisen. Kies een regelgebaseerde workflow wanneer stappen vastliggen en determinisme belangrijk is. De afweging is flexibiliteit versus voorspelbaarheid:

• Kies agents voor open-eindige taken, synthese of multi-tool coördinatie.
• Kies workflows voor ETL, herhaalbare transformaties en strikte SLA's.

Voor een technische bouwer is de vraag praktisch: zal het probleem profiteren van een model dat controleflow-beslissingen neemt? Zo ja, kan een agent de hoeveelheid lijmcode en ontwikkeltijd verminderen, maar het verhoogt de testinspanning en de behoefte aan observeerbaarheid.

Kernaanpak: componenten en patronen

Een agentensysteem bevat meestal deze componenten. Elk component is een duidelijke integratiegrens die je onafhankelijk kunt testen en versioneren.

• Controller (orchestrator): start runs, plant retries en handhaaft timeouts.
• System prompt / policy: rol + waarborgen die het gedrag van de agent vormen.
• Planner: produceert een kort plan of stappenlijst (1–6 substappen).
• Executor / tool runner: roept API's, DB's of interne functies aan via gestructureerde tool-interfaces.
• Memory / context store: RAG-laag of vector-DB voor retrieval.
• State store and event log: duurzame registratie van acties, inputs en outputs.
• Supervisor / safety layer: controleert outputs aan de hand van regels en kan stoppen of terugdraaien.

Patroon: scheid "denken" van "doen". Het model redeneert in een sandbox zonder bijwerkingen. Alleen de geverifieerde tool runner voert externe calls uit. Dit verkleint per ongeluk destructieve acties en vereenvoudigt replay bij debugging.

Stap-voor-stap: bouw een agentische workflow

De volgende 7 stappen zijn een herhaalbaar bouwplan voor een productieklare agent. Elke stap is kort en testbaar.

1. Definieer het doel en succescriteria. Maak een expliciete testruimte die observeerbare outputs en bijwerkingen controleert.
2. Ontwerp tool-interfaces (contract-first). Elke tool heeft naam, inputs, outputs en errormodi. Implementeer een sandbox-runner voor dry runs.
3. Schrijf de system prompt en planner prompt. Houd ze modulair. De system prompt zet rol en beperkingen. De planner prompt vraagt om een genummerd plan.
4. Voeg retrieval en onderbouwing toe. Koppel een RAG-laag met vectorzoek en citaties voor elk feit dat in beslissingen wordt gebruikt.
5. Implementeer de executor met bevestigingspoorten. De executor ontvangt een gevalideerde actie en moet precondities bevestigen voordat externe API's worden aangeroepen.
6. Bouw observeerbaarheidsdashboards en alerts. Leg beslissingen, tool-aanroepen, latenties en faalredenen vast.
7. Test met chaos- en regressiesuites. Injecteer tool-fouten of corrumpeer geheugen en controleer veilige herstelacties.

Elke stap hieronder bevat een promptblok dat je in een model kunt plakken. Ze volgen de Copy&Prompt-promptstandaard: rol, context, taak, beperkingen, outputformaat, annotatie en model-stempel.

Planner prompt — produceer een plan

Rol: Planner-agent die een gebruikersdoel in maximaal 6 geordende stappen opsplitst.
Context: Je hebt het gebruikersverzoek gelezen en toegang tot betrouwbare feiten via retrieval.
Taak: Geef een genummerd plan terug (1-6) met een geschatte tool voor elke stap.
Beperkingen:
- Gebruik niet meer dan 6 stappen.
- Gebruik korte, eenvoudige zinnen.
- Voeg voor elke stap een confidentiescore 0-1 toe.
Outputformaat:
- JSON-array van { "step": int, "description": string, "tool": string, "confidence": number }

Waarom het werkt: Gestructureerde JSON maakt parsen deterministisch. De confidentiescore helpt bij het routeren naar een mens wanneer deze laag is. Gevalideerd op GPT-4 (OpenAI), juni 2026.

Executor prompt — roep een tool veilig aan

Rol: Executor-agent die één goedgekeurde actie tegen een API uitvoert.
Context: Je ontving een enkele stap van de planner en een snapshot van relevante feiten.
Taak: Valideer precondities, formatteer de API-aanroep en geef een bevestigingsobject terug.
Beperkingen:
- Roep geen enkele tool aan als een preconditie ontbreekt.
- Als gegevens ontbreken, retourneer "needs_info" met een lijst van velden.
Outputformaat:
- JSON { "status": "ok|needs_info|error", "api_call": { "tool": string, "params": { ... } }, "notes": string }

Waarom het werkt: De executor scheidt beslissing van bijwerkingen. Hij retourneert een testbaar api_call-object. Gevalideerd op GPT-4 (OpenAI), juni 2026.

Supervisor prompt — veiligheidscontroles

Rol: Supervisor-agent die het api_call-object van de executor beoordeelt vóór uitvoering.
Context: Je hebt het api_call-object en een beleidsbestand met verboden acties.
Taak: Keur het api_call goed of af en geef een korte reden.
Beperkingen:
- Keur calls af die overeenkomen met een verboden patroon.
- Keur alleen goed als de confidence >= 0.65 tenzij de actie alleen-lezen is.
Outputformaat:
- JSON { "approved": true|false, "reason": string }

Waarom het werkt: Een aparte supervisor zorgt dat waarborgen automatisch worden afgedwongen. Gevalideerd op GPT-4 (OpenAI), juni 2026.

Drie kopieerbare prompt-sjablonen

Boven hebben we planner-, executor- en supervisor-prompts gegeven. Gebruik ze ongewijzigd voor ontwikkelruns. Vervang [HAKEN] alleen waar aangegeven. Deze zijn zelf-contained en model-gestempeld.

Toegepaste voorbeelden: support triage en onderzoeksassistent

Support triage (multi-tool)

Doel: triage inkomende supporttickets, voer diagnostiek uit en open een incident alleen wanneer bevestigd. De planner maakt stappen: reproduceer, verzamel logs, voer diagnostiek uit, stel remediatie voor. De executor opent incidenten alleen na goedkeuring door de supervisor.

Observatie van ons team: bij herhaling van dit patroon over 10 supportflows daalde het aantal foutieve incidentopeningen sterk omdat de supervisor voortijdige schrijfacties voorkwam.

Onderzoeksassistent (RAG + tools)

Doel: stel een korte literatuuroverzicht samen met citaties en een samenvattende slide-deck. De agent plant zoekopdrachten, haalt bronnen op, extraheert kernpunten en formatteert slides. De executor roept zoek- en slide-generator-tools aan. De supervisor handhaaft citatieregels.

Agents vs workflows: welke te kiezen?

Veelgemaakte fouten → waarom → oplossing

• Fout: Het model externe API's direct laten aanroepen.
  Waarom: Bijwerkingen zijn niet testbaar en kunnen onveilig zijn.
  Oplossing: Gebruik een executor die een api_call-object retourneert; een aparte runner voert uit met auditlogs.
• Fout: Geen planverificatietrap.
  Waarom: Agents kunnen plausibele maar onjuiste sequenties hallucineren.
  Oplossing: Voeg een planner in die een genummerd plan en een confidentiescore produceert. Weiger plannen met lage confidence of vraag menselijk review.
• Fout: Alleen de eindoutput opslaan, niet de beslissingsspoor.
  Waarom: Moeilijk om fouten te reproduceren en te debuggen.
  Oplossing: Bewaar planner-output, tussenliggende retrievals, tool-inputs en executor-responses. Houd onveranderlijke eventlogs per run bij.

Beperkingen: wat agentensystemen niet oplossen

Agents zijn geen wondermiddel. Ze vervangen geen rigoureuze datavalidatie, transactionele garanties of betrouwbaarheid van externe systemen. Agents kunnen ontwikkelwerk rond orkestratie verminderen, maar vergroten de noodzaak voor testen, observeerbaarheid en waarborgen.

Bovendien garanderen agents de correctheid van domeinfeiten niet, tenzij je ze koppelt aan een RAG-laag en bronverificatie. RAG vermindert hallucinaties maar elimineert ze niet.

Schaal, versionering en governance

Om agentensystemen op te schalen moet je prompts en policies behandelen als code. Versioneer prompts, test wijzigingen en rol uit met canary-runs. Bewaar elke prompt en policy in een opvraagbare bibliotheek zodat de exacte tekst die een beslissing produceerde later teruggehaald kan worden.

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

Concreet: pas deze praktijken toe:

• Versioneer prompts met semantische tags en changelogs.
• Gebruik schema-gevalideerde JSON-outputs van planners en executors.
• Registreer model en model-versie gebruikt voor elke run. Timestamp gedragsclaims.
• Draai unittests tegen een deterministische "mock model" waar chatcompletions canned responses teruggeven voor edgecases.

Hoe te verifiëren dat een agent werkt

Definieer pass/fail-criteria vooraf. Gebruik deze observeerbare checks:

• Planvaliditeit: percentage plannen dat geen menselijke aanpassingen vereist.
• Tool succeskans: verhouding van executor api_call.ok-responses tot pogingen.
• Hallucinatiepercentage: steekproef outputs gecontroleerd aan de hand van broncitaten.
• Latentie en kosten: mediaan tijd per run en gemiddeld tokengebruik per modelaanroep.

Wat te doen als het niet werkt

Begin met reproduceerbaarheid. Replay de exacte planner, retrieval-snapshot en modelprompt. Als de run afwijkt, test elk component afzonderlijk:

1. Replay de planner met dezelfde context. Als het plan instabiel is, verscherp de system prompt en voeg voorbeelden toe (few-shot).
2. Replay retrieval-queries. Als resultaten variëren, pin de vectorindex en sla een snapshot voor de test op.
3. Draai de executor met gemockte tool-responses. Als de executor velden mist, pas precondition-checks aan.
4. Introduceer een supervisor die runs met lage confidence automatisch weigert.

Veelgestelde vragen

Wat maakt een agent anders dan een gewone API-gestuurde workflow?

Een agent bepaalt runtime de volgende stappen met modelredenering en retrieval. Een workflow volgt een vaste, door de ontwikkelaar gedefinieerde route. Agents voegen planning en beslissingsautonomie toe; workflows bieden voorspelbaarheid en eenvoudiger testen.

Hoe voorkom je dat een agent in een loop raakt of schadelijke acties uitvoert?

Voorkom loops met staplimieten, itinerary-hashing en supervisor-goedkeuringen. Voorkom schadelijke acties door "denken" te scheiden van "doen" en beleidschecks af te dwingen vóór enige externe call. Bewaar een onveranderlijk eventlog om rollbacks mogelijk te maken.

Belangrijkste inzichten

• Gebruik agents wanneer taken dynamische planning, tool chaining of langdurige state vereisen; geef anders de voorkeur aan deterministische workflows.
• Scheid planner, executor en supervisor. Beperk bijwerkingen tot de executorlaag.
• Versioneer prompts als code, bewaar beslissingssporen en test met gemockte tools en chaos-scenario's.
• Gebruik RAG om feiten te onderbouwen en registreer altijd modelnaam en tijdstempel voor elke beslissing.

Volgende stap: kies één kleine taak in je product, zet hem om naar het planner-executor-supervisor-patroon en voer tien replaybare tests uit.

Zodra je een reproduceerbare agent-run hebt, kun je prompts en policies opslaan, delen en itereren voor teamgebruik.

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