Agentic Design Patterns

Wat zijn Agentic Design Patterns?

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.

De belangrijkste punten

• De vier fundamentele patronen zijn reflectie (de agent bekritiseert en herziet zijn eigen output), tool use (de agent roept externe functies aan), planning (de agent ontleedt een doel voordat hij handelt), en multi-agent-samenwerking (gespecialiseerde agents verdelen het werk).
• Patronen zijn te combineren. Een productiesysteem stapelt er doorgaans meerdere: een planner die delegeert aan tool-gebruikende werkers wier output door een reflectiestap gaat.
• Elk patroon dat je toevoegt kost tokens en latentie. Reflectie kan de besteding aan een taak verdubbelen, dus hoort het thuis waar kwaliteit belangrijker is dan snelheid.
• Patronen zijn architectuur, geen frameworkfuncties. Je kunt ze allemaal implementeren met gewone API-aanroepen, en ze kennen helpt je beoordelen wat een framework daadwerkelijk biedt.

Hoe het werkt

Reflectie verpakt generatie in zelfreview. De agent produceert een concept, dan bekritiseert een tweede doorgang, soms met een andere prompt of een ander model als LLM-judge, dat tegen expliciete criteria en triggert een herziening. Het is de goedkoopste betrouwbaarheidsupgrade die beschikbaar is, want er is geen nieuwe infrastructuur nodig, alleen nog een modelaanroep. De winst is meetbaar: de Reflexion-methode, waarbij de agent verbaal reflecteert op zijn mislukkingen, bereikte in 2023 91% pass@1 op HumanEval en versloeg de vorige state of the art van GPT-4 van 80% [1].

Tool use breidt het model uit voorbij tekstvoorspelling. Via tool calling leest de agent bestanden, bevraagt databases, roept API's aan en draait code, waardoor zijn beslissingen worden geaard in echte systeemstatus in plaats van gissingen. Bij planning schrijft de agent een taakontleding uit voordat hij ook maar iets aanraakt, wat lange taken behapbaar maakt en mensen vooraf een plan geeft om goed te keuren. Bij coding-agents verschijnt dit vaak als een planmodus die geaccepteerd moet worden voordat bewerkingen beginnen, wat van nature samengaat met spec driven development.

Multi-agent-samenwerking verdeelt werk over agents met afzonderlijke rollen en gescheiden contextvensters. Een orchestrator ontleedt het doel en routeert subtaken naar werkers, of peers geven werk aan elkaar door in een pipeline. Dit is het zwaarste patroon: het vermenigvuldigt kosten, introduceert coördinatiefouten en vergt agentorchestratie-logica, dus verdient het zijn plek alleen wanneer een taak daadwerkelijk groter is dan wat één agentcontext aankan.

Voorbeeld

Een team dat een geautomatiseerde codereviewdienst bouwt, levert patronen stapsgewijs uit. Versie één is één modelaanroep die commentaar geeft op een diff; reviews zijn oppervlakkig. Versie twee voegt tool use toe zodat de agent naburige bestanden kan openen en de testsuite kan draaien, en de commentaarkwaliteit springt omhoog omdat de agent echte context ziet. Versie drie voegt reflectie toe: een tweede doorgang filtert de conceptcommentaren tegen een checklist van false-positive-patronen, wat storende muggenzifterij ongeveer halveert in hun interne evals. Pas bij versie vier, wanneer ze beveiliging en performance door verschillende specialisten willen laten reviewen, adopteren ze multi-agent-samenwerking met een orchestrator die de bevindingen van drie reviewers samenvoegt. Elk patroon werd toegevoegd om een gemeten probleem op te lossen.

Veelvoorkomende misvattingen

De terugkerende fout is beginnen met het meest uitgebreide patroon. Teams lezen over multi-agentsystemen en ontwerpen een ploeg van zes met naam genoemde agents voor een taak die één tool-gebruikende agent prima aankan. Elke agentgrens voegt een plek toe waar context verloren gaat, resultaten verkeerd worden overgebracht en kosten vermenigvuldigen. De patronen vormen een ladder: doorloop eerst de single-agent-treden, tool use, dan planning, dan reflectie, en grijp pas naar samenwerking wanneer één contextvenster aantoonbaar de klus niet aankan.

FAQ

Waar komen deze vier patronen vandaan? Ze kristalliseerden uit de praktijk en werden rond 2024 gepopulariseerd, met name in Andrew Ng's geschriften over agentic workflows. Ng's cijfers maakten de zaak duidelijk: GPT-3.5 in een agentic lus verpakken tilde de HumanEval-nauwkeurigheid van 48,1% zero-shot naar wel 95,1%, een grotere sprong dan het upgraden van het basismodel naar GPT-4, dat 67,0% scoorde [2]. De taxonomie bleef hangen omdat hij netjes aansluit op wat productiesystemen daadwerkelijk doen, en latere toevoegingen zoals geheugen en routering passen erin als verfijningen, niet als vervangingen.

Is ReAct een van de agentic design patterns? Een ReAct-agent is het best te begrijpen als een concrete uitwerking van het tool-use-patroon: hij wisselt een redeneerstap af met elke actie. In het originele paper van Yao et al. uit 2022 versloeg ReAct imitatie- en reinforcement-learning-baselines met 34 en 10 absolute punten op de ALFWorld- en WebShop-benchmarks, met slechts één of twee in-context-voorbeelden [3]. De meeste moderne tool-calling-agentlussen stammen ervan af.

Heb ik een framework nodig om deze patronen te gebruiken? Nee. Elk patroon is een control-flow-idee dat je in een paar dozijn regels rond een model-API kunt schrijven. Frameworks verpakken de patronen met tracing en statusbeheer, wat helpt op schaal, maar het juiste patroon voor de taak kiezen is het deel dat succes bepaalt.

Bronnen

1. Shinn et al. (arXiv). "Reflexion behaalt 91% pass@1 op HumanEval, en verslaat de eerdere state of the art van GPT-4 van 80%." https://arxiv.org/abs/2303.11366. Geraadpleegd augustus 2026.
2. Andrew Ng, DeepLearning.AI (The Batch). "GPT-3.5 in een agentic lus tilt de HumanEval-nauwkeurigheid van 48,1% naar wel 95,1%, tegenover 67,0% voor zero-shot GPT-4." https://www.deeplearning.ai/the-batch/how-agents-can-improve-llm-performance/. Geraadpleegd augustus 2026.
3. Yao et al. (arXiv). "ReAct verslaat imitatie- en reinforcement-learning-baselines met 34% en 10% absoluut slagingspercentage op ALFWorld en WebShop." https://arxiv.org/abs/2210.03629. Geraadpleegd augustus 2026.