Agentframework: de bouwstenen achter AI die zelf taken uitvoert
Een agentframework is een softwarepakket waarmee ontwikkelaars zogeheten AI-agents kunnen bouwen: computerprogramma's die niet slechts één vraag beantwoorden, maar zelfstandig meerdere stappen na elkaar uitvoeren om een taak te volbrengen. Het framework levert de bouwstenen die daarvoor nodig zijn: een manier om een taalmodel (een large language model of LLM, de technologie achter chatbots zoals ChatGPT en Claude) te koppelen aan externe hulpmiddelen zoals een zoekmachine, een rekenmodule of een agenda, en om bij te houden wat er in eerdere stappen is gebeurd.
Vergelijk het met een acteur en een regisseur. Het taalmodel is de acteur: het kan improviseren, taal begrijpen en redeneren. Zonder regisseur weet de acteur echter niet welk rekwisiet hij mag pakken, wanneer een scène is afgelopen, of wat er in de vorige scène gebeurde. Het agentframework vervult die regisseursrol: het geeft het taalmodel een script met spelregels ("je mag deze drie hulpmiddelen gebruiken"), onthoudt de voortgang en bepaalt wanneer de taak klaar is. Een concreet voorbeeld: een digitale reisassistent die een vlucht moet boeken, controleert eerst de agenda van de gebruiker, zoekt vervolgens vluchten op, vergelijkt prijzen en vraagt pas om bevestiging voordat hij afrekent. Het framework regelt die vier stappen; het taalmodel vult per stap de inhoud in.
Wat is het precies?
De kern van vrijwel elk agentframework is een lus van redeneren, handelen en waarnemen. Dit patroon werd in 2022 beschreven in het invloedrijke onderzoekspaper "ReAct" (van onderzoekers verbonden aan onder meer Princeton University en Google Research) en is sindsdien de basis voor bijna alle praktische implementaties. Het taalmodel denkt eerst hardop na over wat de volgende stap moet zijn, kiest daarna een actie, en krijgt vervolgens het resultaat van die actie te zien voordat het de volgende stap plant.
Om die acties daadwerkelijk uit te voeren, gebruiken frameworks tool calling of function calling: het taalmodel geeft in een vast formaat aan welk hulpmiddel het wil gebruiken en met welke gegevens, waarna het framework die code echt uitvoert — bijvoorbeeld een zoekopdracht versturen of een berekening maken — en het antwoord teruggeeft aan het model. Het taalmodel zelf voert dus geen code uit; het framework doet dat namens hem, in een afgeschermde omgeving.
Daarnaast regelt een framework het geheugen van de agent. Kortetermijngeheugen bestaat meestal uit de geschiedenis van het huidige gesprek of de huidige taak. Voor langetermijngeheugen gebruiken veel frameworks een vectordatabase: een soort doorzoekbare opslag waarin eerdere informatie is omgezet in getallenreeksen, zodat de agent later relevante feiten kan terugvinden zonder alles letterlijk te hoeven onthouden.
Nieuwere frameworks, zoals LangGraph, modelleren het gedrag van een agent als een graaf: een schema van stappen en beslismomenten dat de ontwikkelaar vooraf vastlegt. Dat maakt het mogelijk om controlepunten in te bouwen, bijvoorbeeld een moment waarop een mens goedkeuring moet geven voordat de agent een onomkeerbare actie uitvoert, zoals het versturen van een e-mail of het plaatsen van een bestelling. Sommige frameworks gaan nog een stap verder en laten meerdere gespecialiseerde agents met elkaar samenwerken, elk met een eigen rol, zoals een "onderzoeker" en een "schrijver" die elkaars werk controleren.
Wat wil men ermee bereiken?
Het belangrijkste doel van agentframeworks is praktisch: voorkomen dat elke ontwikkelaar dezelfde basisproblemen opnieuw moet oplossen. Het aansturen van hulpmiddelen, het bijhouden van geheugen, het afvangen van fouten wanneer een stap mislukt — dat is allemaal herbruikbare "loodgieterswerk" dat een framework standaardiseert, zodat ontwikkelaars zich kunnen richten op de eigenlijke toepassing.
Een breder doel is het mogelijk maken van software die complexere, meerstaps taken zelfstandig kan uitvoeren in plaats van alleen losse vragen te beantwoorden. Denk aan een agent die een softwarefout opzoekt, een oplossing schrijft, die test en pas daarna voorstelt aan een programmeur, in plaats van alleen losse codesuggesties te geven. De belofte is minder herhalend denkwerk voor mensen bij taken als klantenservice, onderzoek, planning en programmeren.
Ten slotte is er een groeiende ambitie om agents van verschillende makers met elkaar te laten samenwerken en dezelfde hulpmiddelen te laten gebruiken, via open standaarden. Dat is de reden achter protocollen als het Model Context Protocol: niet zozeer een framework, maar een gemeenschappelijke "taal" waarmee agents en hulpmiddelen elkaar kunnen begrijpen, ongeacht welk framework of taalmodel eronder zit.
Voorbeelden uit de praktijk
LangChain (2022, opgezet door Harrison Chase) was een van de eerste en is nog altijd een van de meest gebruikte opensourcebibliotheken voor het bouwen van LLM-toepassingen. In 2024 voegde het team LangGraph toe, een uitbreiding die het mogelijk maakt agentgedrag als een gestructureerde graaf te modelleren in plaats van een losse keten van stappen.
AutoGPT (maart 2023, gemaakt door Toran Bruce Richards) was een van de eerste experimenten die breed aandacht trok: een volledig autonome agent die zichzelf doelen stelde en probeerde te bereiken zonder tussentijdse menselijke sturing. Het liet zowel de aantrekkingskracht van het idee zien als de praktische problemen: de agent bleef geregeld hangen in herhalingslussen, maakte hoge rekenkosten en leverde onbetrouwbare resultaten op.
Microsoft AutoGen (geïntroduceerd in 2023 door Microsoft Research) richt zich op meerdere agents die met elkaar "praten" om samen een taak op te lossen, bijvoorbeeld een codeer-agent die met een controle-agent overlegt voordat code wordt uitgevoerd.
CrewAI (2023, opgericht door João Moura) laat ontwikkelaars een "team" van agents samenstellen met vaste rollen, zoals onderzoeker, schrijver en redacteur, die na elkaar of samen aan een opdracht werken. Het framework is vooral populair bij bedrijfsmatige toepassingen zoals contentproductie en marktonderzoek.
Het Model Context Protocol (MCP), door Anthropic in november 2024 als open standaard uitgebracht, is strikt genomen geen agentframework maar een verbindingsprotocol. Het zorgt ervoor dat een agent, ongeacht in welk framework hij is gebouwd, op een uniforme manier toegang krijgt tot bestanden, databases of onlinediensten. Binnen een jaar namen ook andere partijen, waaronder OpenAI, dit protocol in enige vorm over — een teken dat de sector behoefte heeft aan gedeelde standaarden.
Hoe ver is de techniek?
De ontwikkeling gaat snel, maar niet gelijkmatig. Sinds 2022 is de vooruitgang vooral gedreven door verbeteringen in de onderliggende taalmodellen zelf: langere contextvensters (hoeveel tekst een model tegelijk kan "onthouden"), betrouwbaarder gebruik van hulpmiddelen en beter stapsgewijs redeneren. De frameworks erbovenop veranderen daardoor ook snel; wat twee jaar geleden de standaardaanpak was, is vaak alweer vervangen door een nieuwere.
Om de voortgang te meten, gebruikt de onderzoeksgemeenschap benchmarks zoals SWE-bench, waarbij een agent een echt, bestaand softwareprobleem van GitHub moet oplossen, en GAIA, een benchmark gepubliceerd door onder meer Meta en Hugging Face waarin agents alledaagse, meerstaps opdrachten krijgen die zoeken, redeneren en het gebruik van hulpmiddelen combineren. De scores op dit soort benchmarks zijn de afgelopen jaren duidelijk gestegen, maar zelfs de beste agents lossen een aanzienlijk deel van de taken nog altijd niet correct op, vooral wanneer een opdracht ongebruikelijk is of veel stappen achter elkaar vereist.
De belangrijkste obstakels zijn niet alleen technisch. Betrouwbaarheid blijft een probleem: een agent kan een verkeerde aanname maken vroeg in een taak en die fout vervolgens over meerdere stappen laten doorwerken. De kosten kunnen oplopen, omdat complexe taken tientallen aanroepen van een taalmodel kunnen vergen. Veiligheid is een groeiend aandachtspunt: bij zogeheten prompt injection kan kwaadaardige tekst op een website of in een document een agent misleiden tot ongewenste acties, iets waar onderzoekers en aanbieders actief aan werken maar dat nog geen opgelost probleem is. Ten slotte ontbreekt het nog aan brede, algemeen geaccepteerde manieren om te bepalen hoeveel autonomie je een agent veilig kunt geven voordat een mens moet meekijken.
Wie werken eraan?
Het veld wordt op dit moment vooral gedomineerd door Amerikaanse bedrijven en onderzoeksinstellingen. LangChain Inc. (San Francisco) onderhoudt LangChain en LangGraph. Microsoft Research werkt aan AutoGen. OpenAI bouwde eerst de Assistants API en werkt sindsdien aan opvolgers die tool- en agentgedrag standaardiseren. Anthropic ontwikkelt naast het Claude-model ook het Model Context Protocol en gereedschap om op basis van Claude agents te bouwen. Google en Google DeepMind werken aan vergelijkbare mogelijkheden binnen Gemini en aan protocollen voor samenwerking tussen agents van verschillende makers.
Daarnaast spelen universiteiten een rol bij het fundamentele onderzoek, zoals Princeton University bij het ReAct-paper, en instellingen als Hugging Face bij het opstellen van onafhankelijke benchmarks. Onder de motorkap van veel van deze opensourceprojecten dragen ontwikkelaars van over de hele wereld bij, ook uit Europa en Azië, al blijft de commerciële ontwikkeling vooralsnog geconcentreerd bij een klein aantal Amerikaanse techbedrijven. Daarbovenop groeit een laag van kleinere, gespecialiseerde bedrijven die deze frameworks gebruiken om agents te bouwen voor specifieke sectoren, zoals klantenservice, softwareontwikkeling of juridisch onderzoek.