Agentgeheugen is het geheel van mechanismen waarmee een AI-agent informatie kan vasthouden en hergebruiken voorbij één enkel contextvenster: sessiestatus, notities die naar bestanden worden weggeschreven, databases en vectorstores. Het is wat een agent in staat stelt feiten, voorkeuren en lessen mee te dragen tussen taken, in plaats van elke sessie vanaf nul te beginnen. De leemte die het opvult is goed gedocumenteerd: op de LoCoMo-benchmark van zeer lange gesprekken, gemiddeld 300 beurten over maximaal 35 sessies, ontdekten Maharana en collega's in 2024 dat LLM-agents aanzienlijk achterblijven bij menselijke prestaties in het herinneren van eerdere context.
Agentic AI is een klasse van AI-systemen die een doel nastreven door stappen te plannen, acties te ondernemen via tools, resultaten te observeren en koers bij te stellen, en dat alles met beperkte menselijke sturing. In tegenstelling tot een model dat één antwoord geeft op één prompt, blijft een agentic systeem doorwerken tot het doel is bereikt of een stopconditie intreedt. Het plafond van dat werk blijft stijgen: METR mat in 2025 dat de lengte van taken die AI-agents autonoom kunnen voltooien de afgelopen zes jaar ongeveer elke 7 maanden is verdubbeld.
Agentic automation is bedrijfsprocesautomatisering waarbij AI-agents de stappen afhandelen die beoordelingsvermogen vereisen, zoals het interpreteren van rommelige input, kiezen tussen opties en herstellen van uitzonderingen. Traditionele regelgebaseerde automatisering voert vaste scripts uit en breekt zodra input afwijkt; agentic automation past zich aan en escaleert naar mensen alleen wanneer een beslissing zijn mandaat overschrijdt. De adoptie is de pilotfase voorbij: 46% van de leidinggevenden in Microsofts 2025 Work Trend Index zei dat hun organisatie AI-agents gebruikt om workstreams of bedrijfsprocessen volledig te automatiseren, aangevoerd door klantenservice, marketing en productontwikkeling.
Agentic coding is de praktijk van software maken door een AI-coding-agent aan te sturen die de codebase leest, bestanden bewerkt, commando's uitvoert en itereert op de resultaten, in plaats van zelf de code te typen. De developer levert intentie, beperkingen en review; de agent levert de toetsaanslagen. De praktijk draait al op echte schaal: GitHub's Octoverse 2025-rapport telde meer dan 1 miljoen pull requests gegenereerd door zijn Copilot coding agent tussen mei en september 2025, geconcentreerd in gevestigde repositories in plaats van experimentele projecten.
Agentic design patterns zijn herbruikbare structuren voor het bouwen van AI-agentsystemen. De kernvier zijn reflectie, tool use, planning en multi-agent-samenwerking. Elk patroon beschrijft een bewezen manier om modelaanroepen, tools en control flow te ordenen, en elk maakt op een andere, voorspelbare manier een afweging tussen autonomie, kosten, latentie en betrouwbaarheid.
Een browseragent is een AI-agent wiens primaire tool een webbrowser is. Gegeven een doel navigeert hij pagina's, leest content, klikt elementen, vult formulieren, en voltooit meerstaps flows zoals een mens dat zou doen, waardoor hij elke website kan bedienen, inclusief de overgrote meerderheid die geen API blootstelt. Betrouwbaarheid op het open web blijft het lastige deel: op WebArena's realistische taken die e-commerce, forums, code-hosting, en CMS-werk omspannen, voltooide de beste GPT-4-agent in de Carnegie Mellon-studie van 2023 14,41% van de taken end-to-end, vergeleken met 78,24% voor mensen.
Chain-of-thought prompting is de techniek van een taalmodel instrueren om stap voor stap door een probleem te werken voordat het zijn eindantwoord geeft, in plaats van meteen te antwoorden. De tussenliggende redenering expliciet maken verbetert meetbaar de nauwkeurigheid bij wiskunde, logica, planning, en meerstaps taken, en het laat een zichtbaar spoor achter dat je kunt inspecteren wanneer het antwoord fout is. In het originele paper van 2022 door Wei et al. bij Google bereikte een model met 540B parameters, geprompt met slechts acht chain-of-thought-voorbeelden, state-of-the-art-nauwkeurigheid op de GSM8K-wiskundebenchmark, en versloeg het zelfs een fine-getuned GPT-3 met een verifier.
CLAUDE.md is het markdown-instructiebestand dat Claude Code, Anthropics coding-agent, automatisch leest bij het begin van elke sessie. Het draagt aanhoudende projectcontext: build- en testcommando's, codeconventies, architectuurnotities, en regels die de agent moet volgen, zodat dezelfde richtlijn op elke taak van toepassing is zonder herhaald te worden in prompts.
Een code-LLM is een large language model getraind of fine-getuned primair op broncode, geoptimaliseerd om programma's te genereren, aan te vullen, uit te leggen, en te herstellen. De term dekt dedicated codemodellen en, in toenemende mate, algemene frontier-modellen wier training zwaar naar code werd gewogen omdat programmeren hun commercieel belangrijkste vaardigheid werd.
Comprehension debt is de opgestapelde hoeveelheid code in een productiesysteem die niemand in het team oprecht begrijpt, ontstaan wanneer AI-gegenereerde wijzigingen uitgeleverd worden zonder echte review. De code werkt en de tests slagen, maar de kennis die normaal in een menselijk hoofd vormt door de code te schrijven, vormde zich nergens, en de kloof stapelt zich op met elke ongecontroleerde merge.
Computer use is een AI-agentcapaciteit waarbij het model een computer bedient via zijn grafische interface: het kijkt naar screenshots, beweegt de cursor, klikt, typt, en scrollt, precies zoals een mens dat zou doen. Dit laat een agent werken met elke applicatie op het scherm, inclusief software die geen API biedt voor gestructureerde toegang.
Data poisoning is een aanval die de data corrumpeert waar een AI-systeem van leert of die het ophaalt, zodat het model door de aanvaller gekozen gedrag absorbeert: verborgen backdoors, verlaagde nauwkeurigheid, of geplante misinformatie. Het is een supply-chain-aanval op de datalaag, en kan pretraining-corpora, fine-tuning-sets, of de documenten die een RAG-pipeline vertrouwt, targeten.
Few-shot prompting is de techniek van een klein aantal uitgewerkte input-output-voorbeelden direct in de prompt opnemen zodat het model het gewenste patroon afleidt en toepast op nieuwe input. Het onderwijst door demonstratie in plaats van beschrijving, en er is geen training of fine-tuning bij betrokken: de voorbeelden leven in de prompt zelf.
Een foundation model is een groot AI-model dat eenmalig getraind is op brede data op schaal, en vervolgens aangepast wordt aan veel downstream-taken via prompting, fine-tuning, of toolintegratie. In plaats van een apart model per taak te bouwen, bouwen teams producten op een gedeelde basis, wat het economische patroon is achter de hele moderne AI-industrie.
Een frontier model is een AI-model op de huidige rand van capaciteit: één van de kleine set systemen die op elk moment de state of the art definieert. De term markeert een bewegende grens in plaats van een vaste spec, en dient dubbel als regelgevingscategorie, want safety-frameworks en compute-drempelregels richten zich precies op deze klasse.
Human in the loop is een workflowontwerp waarin een AI-systeem het werk doet maar een mens de beslissingen die ertoe doen reviewt en goedkeurt voordat ze effect hebben. De AI behandelt volume en snelheid; de mens levert oordeel, verantwoording, en een veto op de punten waar fouten duur of onomkeerbaar zijn. Het patroon houdt deels stand omdat vertrouwen grenzen heeft: het DORA-onderzoek van 2025 vond dat 30% van de technologieprofessionals weinig of geen vertrouwen heeft in AI-gegenereerde code, een sleutelreden waarom menselijke review een standaard checkpoint blijft.
De KV-cache is het geheugen waar een transformer-taalmodel de attention-keys en -values opslaat die het al berekend heeft voor eerdere tokens. Door ze te hergebruiken genereert het model elk nieuw token zonder de hele input opnieuw te verwerken, wat token-voor-token-generatie snel maakt en lange contexten duur in geheugen.
Een large language model (LLM) is een neuraal netwerk getraind op enorme hoeveelheden tekst om het volgende token in een reeks te voorspellen. Op voldoende schaal produceert dat enkele doel brede vaardigheid om te schrijven, samen te vatten, te redeneren, en code te genereren, en daarom drijven LLM's chatassistenten, coding-agents, en de meeste moderne AI-producten aan. Adoptie weerspiegelt dat bereik: in het Stack Overflow-onderzoek van 2025 zei 84% van de developers AI-tools te gebruiken of van plan te zijn te gebruiken in hun werk, tegenover 76% het jaar ervoor.
Een werkkaart van de namen die terugkeren in modelkaarten van 2026. Kennis en redenering: MMLU en zijn moeilijkere opvolger MMLU-Pro, GPQA voor wetenschapsvragen op graduate-niveau ontworpen om weblookup te weerstaan, en ARC-AGI voor abstracte redenering die vijandig blijft tegen memorisatie. Wiskunde: GSM8K (lang verzadigd, nu een vloercheck) en wedstrijdniveau-sets zoals AIME-problemen. Coderen: HumanEval en MBPP voor korte functiecompletion, beide effectief opgelost, en SWE-bench met zijn varianten als de repository-schaal-standaard waar een agent echte GitHub-issues moet oplossen tegen verborgen tests. Agentic en toolgebruik: terminal-taaksuites, webnavigatiebenchmarks zoals WebArena-afstammelingen, en tool-calling-nauwkeurigheidssuites. Voorkeur en algemeen gevoel: arena-achtige menselijke-stem-ranglijsten, waardevol voor het vangen van kwaliteiten die statische suites missen en scheefgetrokken richting zelfverzekerde, goed-geformatteerde antwoorden. Long-context-suites maken het beeld compleet door herinnering en redenering over grote contextvensters te testen in plaats van alleen needle-in-haystack-retrieval.
LLM-evals zijn herhaalbare, geautomatiseerde tests die meten of de output van een taalmodel een gedefinieerde kwaliteitslat haalt: correctheid, toon, veiligheid, formaat, taakvoltooiing. Waar unittests controleren dat code zich deterministisch gedraagt, scoren evals probabilistische output tegen een standaard, zodat teams prompts en modellen kunnen wijzigen zonder te gokken of kwaliteit is bewogen.
LLM fine-tuning is de praktijk van de training van een voorgetraind taalmodel voortzetten op een kleinere, taakspecifieke dataset zodat zijn standaardgedrag richting die taak verschuift. In tegenstelling tot prompting of retrieval, die het model op verzoekmoment sturen, verandert fine-tuning de gewichten zelf, en produceert een gespecialiseerde variant van het basismodel.
Een LLM-jailbreak is een input samengesteld om een taalmodel zijn safety-training te laten negeren en output te produceren die het gebouwd was te weigeren. Technieken lopen van fictieve rollenspel-framings tot gecodeerde payloads en lange multi-turn-manipulatie, en ze doen ertoe voor bouwers omdat elk uitgerold model het jailbreak-oppervlak van zijn basismodel erft.
Mixture of experts (MoE) is een neurale netwerkarchitectuur waarin elk token slechts een kleine subset van de parameters van het model activeert, gekozen door een geleerde router. Het model kan een zeer groot totaal parameteraantal houden terwijl het de rekenkracht van een veel kleiner model besteedt aan elk verzoek, wat inferentiekosten verlaagt.
Een model card is een gestructureerd openbaarmakingsdocument gepubliceerd naast een AI-model dat beschrijft wat het model is, hoe het getraind werd, waar het goed in is, waar het faalt, en welke veiligheidsevaluaties het doorstond. Het geeft engineers de informatie die ze nodig hebben om te beslissen of een model bij hun use case past.
Model Context Protocol (MCP) is een open standaard die AI-applicaties laat verbinden met externe tools, databronnen, en diensten via één gemeenschappelijke interface. In plaats van een aangepaste integratie te schrijven voor elk model en elke tool, bouwen developers eenmalig een MCP-server en kan elke MCP-compatibele client, zoals een AI-assistent of coding-agent, hem gebruiken.
Model distillation is de techniek van een kleiner studentmodel trainen om het gedrag van een groter leraarmodel te reproduceren, met de outputs van de leraar als trainingssignaal. De student houdt het meeste van de capaciteit van de leraar op de beoogde taken terwijl hij sneller en goedkoper draait, wat het een standaardtool maakt voor het verlagen van inferentiekosten. Het canonieke vroege resultaat is DistilBERT, dat Hugging Face in 2019 meldde als 40% kleiner en 60% sneller dan BERT terwijl het 97% van zijn taalbegrip behield.
Model drift is de verslechtering van de real-world-prestatie van een AI-systeem over tijd terwijl zijn code ongewijzigd blijft. Het gebeurt wanneer de wereld wegdrijft van wat het model leerde (data- en concept-drift) of, in LLM-gebaseerde systemen, wanneer een aanbieder het onderliggende model update en gedrag verschuift onder je prompts.
Een orchestrator-agent is de lead-agent in een multi-agentsysteem. Hij ontvangt het algemene doel, ontleedt het in subtaken, delegeert elke aan werker-agents met de context die ze nodig hebben, beoordeelt wat terugkomt, en stelt de stukken samen tot een eindresultaat. Hij maakt coördinatiebeslissingen in plaats van het specialistenwerk zelf te doen.
Prompt caching is een inferentie-optimalisatie die de berekende interne status van een herhaald promptprefix opslaat, zodat latere API-aanroepen die dat prefix hergebruiken, het niet opnieuw hoeven te verwerken. Voor agents die bij elke beurt een grote systeemprompt, tooldefinities, en groeiende gespreksgeschiedenis opnieuw versturen, verlaagt het inputkosten dramatisch en verlaagt het time to first token.
Prompt chaining is de techniek van een complexe taak opsplitsen in een reeks aparte modelaanroepen, waar elke prompt de output van de vorige consumeert. In plaats van om alles in één prompt te vragen, doet elke stap één gefocuste klus, en ruilt extra latentie en kosten in voor hogere betrouwbaarheid en makkelijker debuggen.
Prompt engineering is de praktijk van het ontwerpen van de tekst gestuurd naar een AI-model, inclusief instructies, voorbeelden, beperkingen, en outputformaat, zodat het model betrouwbaar het resultaat produceert dat je wilt. Het behandelt de prompt als een geëngineerd artefact, iets doelbewust geschreven, tegen gevallen getest, en geversioneerd in broncode, in plaats van een vraag casual getypt in een chatvak. Het veld is groter dan het van buiten lijkt: The Prompt Report, een survey van Schulhoff et al. uit 2024, catalogiseert 58 onderscheiden tekstgebaseerde promptingtechnieken plus 40 meer voor andere modaliteiten.
Prompt injection is een aanval waarbij kwaadaardige instructies verstopt zitten in content die een AI-systeem verwerkt, zoals een webpagina, e-mail, of document, en het model de commando's van de aanvaller laat volgen in plaats van die van de gebruiker. Het buit uit dat taalmodellen vertrouwde instructies niet betrouwbaar kunnen scheiden van niet-vertrouwde data. De OWASP Top 10 voor LLM Applications 2025 rangschikt prompt injection als LLM01, het risico nummer één op de lijst.
Een ReAct-agent is een AI-agent gebouwd op het Reasoning-and-Acting-patroon: het model schrijft een gedachte over wat vervolgens te doen, onderneemt één actie zoals een tool-aanroep, observeert het resultaat, en herhaalt de cyclus tot de taak klaar is. Expliciete redenering met acties interleaven aardt elke beslissing in echte observaties.
Een reasoning model is een large language model getraind om stap voor stap door een probleem te werken voordat het zich vastlegt op een antwoord, en besteedt extra inferentie-rekenkracht aan interne overweging. Die denkfase, vaak verborgen of samengevat, verhoogt nauwkeurigheid op wiskunde, code, en meerstaps-planningstaken tegen de kost van hogere latentie en tokenuitgave. De winst is meetbaar: DeepSeek-R1 scoorde 79,8% pass@1 op de AIME 2024-wiskundewedstrijd, licht voor op OpenAI's o1-1217.
Retrieval-augmented generation (RAG) is een architectuur die op verzoekmoment een kennisbron doorzoekt naar documenten relevant voor een query en ze in de prompt van het model invoegt, zodat het antwoord geaard is in opgehaald bewijs in plaats van alleen in wat het model tijdens training onthield. Het geeft modellen toegang tot private, actuele, en verifieerbare informatie. De naam komt van Lewis et al.'s NeurIPS-paper van 2020 bij Meta AI, dat de state of the art zette op drie open-domain-vraagbeantwoordingstaken en taal produceerde die de auteurs specifieker, diverser, en feitelijker maten dan een puur-parametrische baseline.
RLHF, reinforcement learning from human feedback, is een trainingsmethode die een taalmodel afstemt op menselijke voorkeuren. Mensen beoordelen of rangschikken paren van modeloutputs, een reward model leert die oordelen te voorspellen, en het taalmodel wordt vervolgens geoptimaliseerd tegen die reward. Het is de stap die ruwe tekstvoorspellers omzette in bruikbare assistenten.
Semantische zoekopdracht is een retrievalmethode die queries matcht met documenten op basis van betekenis in plaats van gedeelde trefwoorden, typisch door beide om te zetten naar vector-embeddings en documenten te rangschikken op hoe dicht hun vectoren bij die van de query zitten. Een zoekopdracht naar "wachtwoord resetten" kan een document getiteld "accountgegevens herstellen" naar boven brengen ook al delen de twee geen woorden. De aanpak bereikte mainstream-schaal in 2019, toen Google BERT inzette in Search om querybetekenis te interpreteren en zei dat het model het begrip van één op de 10 Engelse zoekopdrachten in de VS zou verbeteren.
Shadow AI is het gebruik van AI-tools binnen een organisatie zonder goedkeuring, toezicht, of beveiligingsreview: medewerkers die bedrijfsdata in consumentenchatbots plakken, ongeteste AI-features in workflows bedraden, of persoonlijke agentabonnementen op werktaken draaien. Het is de AI-tijdperk-opvolger van shadow IT, met dataexpositie als het centrale risico.
Skill atrophy is het geleidelijke verval van het vermogen van een developer om ongeholpen code te schrijven, lezen, en debuggen, veroorzaakt door dat werk te delegeren aan AI-tools. Het verlies is dag tot dag onzichtbaar omdat agentoutput op schema blijft uitleveren, en komt alleen naar boven wanneer de AI faalt, zijn limieten raakt, of iets fout produceert dat een mens alleen moet ontwarren.
Slopsquatting is een supply-chain-aanval waarbij iemand packages registreert onder namen die AI-codingtools hallucineren, zodat developers die de verzonnen afhankelijkheid van een model installeren, de code van de aanvaller binnenhalen in plaats van een fout. Het werkt omdat modellen herhaaldelijk dezelfde aannemelijke packagenamen hallucineren, wat die namen voorspelbaar en de moeite waard maakt om te kraken.
Een small language model (SLM) is een compact taalmodel, typisch onder ongeveer tien miljard parameters, ontworpen om snel en goedkoop te draaien, vaak op één GPU, een laptop, of een telefoon. Het ruilt de piekcapaciteit van frontier-modellen in voor lage latentie, lage kosten, dataprivacy, en de optie om on-device te implementeren.
Tokenization is het proces van tekst opsplitsen in tokens, de kleine stukken die een taalmodel daadwerkelijk leest, met een vast vocabulaire geleerd uit trainingsdata. Gangbare woorden worden enkele tokens terwijl zeldzame woorden opbreken in fragmenten, en elke model-API meet kosten en contextlimieten in de tokens die dit proces produceert. Als referentiepunt mapt Anthropics tokenizer ruwweg 3,5 Engelse tekens naar één token, met de verhouding variërend per taal.
Tool calling is het vermogen van een taalmodel om externe functies aan te roepen, zoals een commando draaien, een API bevragen, of een bestand lezen, in plaats van alleen tekst te genereren. Het model geeft een gestructureerd verzoek af dat een tool en zijn argumenten noemt, de hostapplicatie voert het uit, en het resultaat voedt terug in de volgende stap van het model.
Een transformer model is de neurale-netwerkarchitectuur achter moderne large language models. Zijn bepalende kenmerk is attention: lagen die elk token in een sequentie direct laten wegen tegen elk ander token bij het berekenen van wat volgt. Geïntroduceerd door Google-onderzoekers in 2017, verving het sequentiële architecturen omdat het efficiënt parallel traint op GPU's. Het originele model kondigde zichzelf aan met resultaten: 28,4 BLEU op WMT 2014 Engels-naar-Duits-vertaling, en versloeg het vorige beste, ensembles inbegrepen, met meer dan 2 BLEU.
Een vector-embedding is een lijst getallen die de betekenis van een stuk tekst, code, of een beeld representeert, geproduceerd door een machine-learning-model. Content met gelijkende betekenis krijgt getallen die dicht bij elkaar zitten in die numerieke ruimte, wat software laat verwante items vinden door afstand te meten in plaats van trefwoorden te matchen.
Een vectordatabase is een datastore gebouwd om embeddings te bevatten, de numerieke vectoren die de betekenis van tekst, beelden, of code representeren, en om gelijkenisqueries erover snel te beantwoorden. Gegeven een queryvector geeft hij de opgeslagen items het dichtst in betekenis terug, wat hem de retrievalruggengraat maakt van RAG-systemen, semantische zoekopdracht, en agentgeheugen.
Vibe coding is software bouwen door in natuurlijke taal te beschrijven wat je wilt en de AI-gegenereerde code te accepteren zonder hem te reviewen of volledig te begrijpen. Je beoordeelt het resultaat op of het lijkt te werken, en ruilt zorgvuldigheid en begrip in voor snelheid. De term komt van een observatie van Andrej Karpathy uit 2025 dat developers nu konden "vergeten dat de code überhaupt bestaat."
De promptinhoud. Zero-shot levert alleen instructies; few-shot voegt een handvol uitgewerkte input-output-demonstraties toe die het model moet imiteren. Zero-shot is goedkoper per aanroep en makkelijker te onderhouden, want er zijn geen voorbeelden om te cureren en consistent te houden. Few-shot wint wanneer formatprecisie, ongewone conventies, of randgeval-afhandeling ertoe doen, want demonstraties communiceren die dingen preciezer dan proza. Geen van beide werkt het model bij; beide zijn inferentiemoment-technieken, en de praktische workflow is beginnen met zero-shot, meten, en voorbeelden alleen toevoegen waar de metingen het zeggen.
Ready to build your product?
