AI-agentarchitectuur

Wat is AI-agentarchitectuur?

AI-agentarchitectuur is het structurele ontwerp van een agentsysteem: het taalmodel als kern, de toollaag waardoor het handelt, het geheugen dat het bewaart, de lus die planning en uitvoering aandrijft, en de guardrails die zijn gedrag begrenzen, plus de verbindingen die van die onderdelen één werkend systeem maken. Deze structuur goed krijgen is waar de vooruitgang van het vakgebied vandaan komt: Stanfords AI Index van 2025 registreerde SWE-bench-scores die in één jaar met 67,3 procentpunt stegen terwijl agentsystemen volwassen werden [1].

De belangrijkste punten

• Vijf componenten keren terug in elk serieus ontwerp: model, tools, geheugen, controlelus, en guardrails. Architectuur is de discipline van ze kiezen en verbinden voor een specifieke klus.
• Het model is het minst onderscheidende deel. Concurrerende teams roepen dezelfde frontier-modellen aan; het toolontwerp, contextbeheer en verificatie eromheen bepalen wie wint of verliest.
• Architectuur moet het risicoprofiel van de taak volgen. Een read-only-onderzoeksagent en een agent die geld kan verplaatsen hebben veel meer verschillende toestemmingslagen nodig dan verschillende prompts.
• Begin met de eenvoudigste vorm die werkt. Eén agent met goed ontworpen tools presteert beter dan een slecht gecoördineerd comité, en je kunt later ontleden op basis van bewijs.

Hoe het werkt

In het midden zit het model, aangeroepen in een lus. De controlelus is wat er een agent van maakt in plaats van een chatbot: het model redeneert, kiest een actie, de runtime voert die uit, en de observatie voedt de volgende iteratie, de vorm die populair werd gemaakt door het ReAct-agentpatroon. Lusontwerpbeslissingen omvatten wanneer vooraf te plannen versus stap voor stap, wanneer te stoppen, en hoeveel iteraties toe te staan.

De toollaag definieert wat de agent daadwerkelijk kan doen. Elke tool is een beschreven functie die het model kan aanroepen via tool calling: bestandsbewerkingen, shellcommando's, databasequery's, API's, browsers. Toolontwerpkwaliteit, dus duidelijke beschrijvingen, verstandige granulariteit en informatieve foutmeldingen, verplaatst de slagingspercentages van agents meer dan de meeste promptwerk. De actielaag is ook waar agents nog het verst tekortschieten: op de OSWorld-benchmark van 369 echte computertaken slaagde de beste agent in de studie van 2024 12,24% van de tijd tegenover 72,36% voor mensen, met GUI-grounding als belangrijk knelpunt [2]. Standaarden zoals MCP laten één agent verbinden met veel toolaanbieders zonder aangepaste integratie voor elk.

Geheugen omvat het contextvenster voor de huidige taak en duurzaam agentgeheugen voor alles wat de sessie moet overleven. Nauw verwant is contextbeheer: beslissen wat elke beurt het venster in gaat, comprimeren wanneer het vol raakt, en rommelig werk uitbesteden aan een subagent. Guardrails omwikkelen het geheel: toestemmingsbereiken, sandboxed uitvoering, outputvalidatie, uitgavenplafonds, en human-in-the-loop-poorten voor onomkeerbare acties. In grotere systemen herhalen dezelfde vijf componenten zich op een hoger niveau, waarbij agentorchestratie meerdere single-agent-cellen samenstelt tot pipelines of hiërarchieën.

Voorbeeld

Een fintech-team ontwerpt een agent die gemarkeerde transacties onderzoekt. Ze beginnen bij het risicoprofiel. Het model is een frontier-redeneermodel, gekozen nadat evals lieten zien dat kleinere modellen multi-stap-fraudepatronen misten. Tools zijn bewust smal: read-only-query's tegen een replicadatabase, een sanctielijst-API, en een schrijver voor casenotities, zonder tool die accounts kan wijzigen. Geheugen is een casebestand dat de agent per onderzoek opbouwt, plus een samengesteld playbook-bestand dat het fraudeteam onderhoudt. De lus is een begrensde onderzoek-dan-rapporteer-cyclus, geplafonneerd op 25 stappen. Guardrails omvatten een sandboxed runtime zonder netwerktoegang buiten de whitelisted API's, schemavalidatie op het eindrapport, en een harde regel dat accountacties aanbevelingen zijn voor een menselijke analist, nooit uitgevoerd. Wanneer ze later een tweede agent toevoegen om klantcommunicatie op te stellen, breidt de architectuur uit door compositie, waarbij het rapport van de onderzoeker de input van de opsteller wordt, in plaats van door herbouw.

Veelvoorkomende misvattingen

De terugkerende fout is architectuur bouwen rond het model in plaats van rond de taak, in de veronderstelling dat een slimmer model de behoefte aan structuur wegneemt. In productie geldt het omgekeerde: naarmate modellen verbeteren, worden de onderscheidende lagen toolkwaliteit, contextbeheer, verificatie en toestemmingen, want die bepalen of ruwe capaciteit omslaat in betrouwbare uitkomsten. De ervaring van Anthropic wijst dezelfde kant op: drie architecturale factoren, tokenbudget, aantal tool-aanroepen, en modelkeuze, verklaarden 95% van de prestatievariatie in zijn multi-agent-onderzoekssysteem [3]. Teams die architecturaal denken overslaan, leveren demo's die indruk maken en systemen die niet te debuggen zijn, want zonder gedefinieerde grenzen tussen componenten is er nergens om logging, evals of schuld aan te hangen wanneer een output misgaat.

FAQ

Wat zijn de belangrijkste typen agentic AI-architectuur? Single-agent-ontwerpen, één model met tools in een lus, dekken de meeste workloads. Multi-agent-ontwerpen splitsen werk over rollen, in hiërarchische vorm onder een orchestrator-agent, als sequentiële pipelines, of als los gecoördineerde zwermen. De oudere academische taxonomie van reactieve versus deliberatieve agents overleeft in moderne vorm als de keuze tussen stap-voor-stap-handelen en plan-dan-voer-uit-ontwerpen.

Hoe kies ik een AI-agentarchitectuur voor een nieuw project? Werk terug vanuit faalkosten en taakvorm. Definieer wat de agent nooit mag doen, en laat dat de toestemmings- en guardraillaag vastleggen. Vraag dan of de taak in één contextvenster past; zo ja, bouw een enkele agent en investeer in tools en evals. Ontleed pas in meerdere agents wanneer meting laat zien dat een enkele agent context- of capaciteitslimieten raakt.

Bepaalt het gebruik van een agentframework mijn architectuur voor mij? Slechts gedeeltelijk. Een AI-agentframework levert de leidingen voor de lus, tracing en statusbeheer, maar toolgranulariteit, geheugenstrategie, toestemmingsgrenzen en menselijke poorten blijven jouw ontwerpbeslissingen, en die gaan mee over frameworks heen. De architectuur begrijpen houdt het framework een gemak in plaats van een beperking.

Bronnen

1. Stanford HAI. "2025 AI Index: SWE-bench-scores stegen in één jaar met 67,3 procentpunt." https://hai.stanford.edu/ai-index/2025-ai-index-report. Geraadpleegd augustus 2026.
2. Xie et al. (arXiv). "OSWorld: beste agent behaalt 12,24% succes op 369 echte computertaken tegenover 72,36% voor mensen." https://arxiv.org/abs/2404.07972. Geraadpleegd augustus 2026.
3. Anthropic. "Tokenbudget, aantal tool-aanroepen, en modelkeuze verklaren 95% van de prestatievariatie in zijn multi-agent-onderzoekssysteem." https://www.anthropic.com/engineering/built-multi-agent-research-system. Geraadpleegd augustus 2026.