Agentharnas: de software die van een taalmodel een handelende AI-agent maakt
Stel je een krachtige automotor voor die op een werkbank staat te draaien. De motor kan enorm veel vermogen leveren, maar zonder stuur, wielen, rem en dashboard komt hij geen meter vooruit. Een agentharnas is precies dat: het stuur, de wielen en het dashboard rond een taalmodel (een AI-systeem zoals GPT of Claude dat tekst genereert). Het taalmodel is de motor die het "denkwerk" levert; het harnas is alles eromheen dat dat denkwerk omzet in daadwerkelijke acties, zoals het lezen van bestanden, het uitvoeren van code of het doorzoeken van internet.
Zonder harnas is een taalmodel een tekstvoorspeller: je stelt een vraag, het geeft een antwoord, klaar. Met een harnas eromheen wordt hetzelfde model een agent: een systeem dat zelfstandig meerdere stappen kan zetten om een taak te volbrengen, resultaten kan controleren en zo nodig zijn aanpak kan bijstellen. Denk aan een AI die gevraagd wordt "repareer deze bug in mijn programma" en vervolgens zelf bestanden opzoekt, code aanpast, tests draait en de uitkomst checkt — allemaal dankzij het harnas dat die stappen mogelijk maakt.
Wat is het precies?
Een agentharnas bestaat uit een aantal bouwstenen die samen een taalmodel "handen en voeten" geven. De eerste is een tool-interface: een lijst van commando's die het model mag aanroepen, zoals "lees bestand X", "voer commando Y uit in de terminal" of "zoek op internet naar Z". Het model kiest zelf welk gereedschap het op welk moment inzet, op basis van de tekst die het genereert.
De tweede bouwsteen is geheugenbeheer. Taalmodellen hebben een beperkt "werkgeheugen" (de context-limiet: het aantal woorden en tekens dat ze tegelijk kunnen overzien). Het harnas houdt bij wat er al gebeurd is — welke bestanden gelezen zijn, welke resultaten teruckwamen — en beslist wat relevant genoeg is om in dat beperkte geheugen te passen.
Ten derde is er de besturingslus (agent loop): het model plant een stap, het harnas voert het bijbehorende gereedschap uit, het resultaat gaat terug naar het model, dat vervolgens de volgende stap plant. Dit herhaalt zich tot de taak af is of tot een limiet is bereikt.
Daarnaast regelt het harnas permissies en sandboxing: begrenzingen op wat de agent mag doen, zoals alleen bepaalde mappen mogen aanraken of geen toegang tot het internet hebben, om schade door fouten te beperken. Tot slot bevat een goed harnas foutafhandeling: wat gebeurt er als een commando mislukt, een bestand niet bestaat of het model een onzinnig verzoek doet? Een robuust harnas vangt zulke fouten op en geeft het model een kans om het opnieuw te proberen.
Wat wil men ermee bereiken?
Het doel van een agentharnas is simpel te omschrijven: taalmodellen bruikbaar maken voor echte, meerstapstaken in de praktijk, in plaats van alleen losse vraag-antwoordgesprekken. Bedrijven en onderzoekers willen AI die niet slechts uitlegt hoe je iets doet, maar het ook daadwerkelijk doet — code schrijven en testen, een reis boeken, gegevens verzamelen en verwerken.
Een belangrijk, minder voor de hand liggend inzicht drijft dit veld ook: hetzelfde onderliggende model kan sterk verschillende prestaties laten zien afhankelijk van het harnas waarin het draait. Betere promptformuleringen, duidelijkere gereedschapsbeschrijvingen en slimmere foutafhandeling kunnen de effectieve capaciteiten van een model flink verhogen, zonder dat het model zelf verandert. Dat maakt harnasontwerp een vak op zich, naast het trainen van de modellen.
Voorbeelden uit de praktijk
AutoGPT (maart 2023) was een van de eerste populaire open-sourcepogingen: een harnas dat GPT-modellen zelf doelen liet stellen en subtaken liet uitvoeren. Het kreeg veel aandacht, maar bleek in de praktijk vaak onbetrouwbaar en liep regelmatig vast in herhalingslussen.
Devin, aangekondigd in maart 2024 door het Amerikaanse Cognition Labs, werd gepresenteerd als "de eerste AI-softwareontwikkelaar": een agentharnas met een eigen ontwikkelomgeving, browser en code-editor, bedoeld om complete programmeertaken zelfstandig af te handelen.
Als reactie ontstond nog in 2024 OpenHands (voorheen OpenDevin), een open-sourceproject dat een vergelijkbaar harnas probeert te bouwen met bijdragen van een brede ontwikkelaarsgemeenschap.
Aider, actief sinds 2023, is een lichter voorbeeld: een command-line-harnas waarmee een AI-model direct met een git-repository (een versiebeheersysteem voor code) kan werken om samen met een programmeur code te schrijven.
In 2025 bracht Anthropic Claude Code uit, een terminal-gebaseerd agentharnas rond zijn eigen Claude-modellen, met toegang tot bestandssysteem, opdrachtregel en zoekfuncties. En voor onderzoeksdoeleinden bouwde Princeton University in 2024 SWE-agent, een harnas specifiek ontworpen om taalmodellen echte GitHub-issues (meldingen van bugs of gewenste functies in softwareprojecten) te laten oplossen.
Hoe ver is de techniek?
Het veld is nog jong — grofweg sinds 2023 in zijn huidige vorm — en ontwikkelt zich snel. Er bestaat geen gestandaardiseerde architectuur: elk bedrijf en onderzoeksproject bouwt zijn eigen aanpak, met eigen keuzes voor geheugenbeheer, gereedschapsontwerp en veiligheidsmaatregelen.
Een belangrijke graadmeter is SWE-bench, een benchmark opgebouwd uit échte GitHub-issues waarop coding agents worden getest. Onderzoek rond deze benchmark heeft laten zien dat de kwaliteit van het harnas net zo bepalend kan zijn voor de score als de kwaliteit van het onderliggende model — wat evalueren lastig maakt, omdat je software-engineering-kwaliteit kunt verwarren met modelintelligentie.
Dat evaluatievraagstuk is ook het terrein van METR (Model Evaluation and Threat Research), een Amerikaanse non-profitorganisatie die, vaak in samenwerking met AI-labs zoals OpenAI en Anthropic, modellen test op autonome vaardigheden vóórdat nieuwe modellen worden uitgebracht. METR bouwt daarvoor eigen agentharnasen en onderzoekt onder meer hoe lang taken zijn die AI-agents zelfstandig kunnen volhouden — de zogeheten "task time horizon". Volgens dit onderzoek is die tijdshorizon de afgelopen jaren gestaag toegenomen, met naar schatting een verdubbeling elke paar maanden, al zijn de foutmarges rond zulke schattingen breed.
De belangrijkste obstakels blijven betrouwbaarheid — agents maken fouten die zich opstapelen naarmate een taak langer duurt —, kosten (veel tool-aanroepen betekenen veel verwerkte tekst en dus hogere rekenkosten), en veiligheid: een agent met toegang tot een opdrachtregel of bestandssysteem kan onbedoeld schade aanrichten als er iets misgaat. Ook de evaluatiemethodologie zelf is nog volop in ontwikkeling.
Wie werken eraan?
De ontwikkeling van agentharnasen concentreert zich sterk in de Verenigde Staten. Grote AI-labs als Anthropic, OpenAI en Google DeepMind bouwen eigen harnasen rond hun modellen, evenals het gespecialiseerde Cognition Labs, de maker van Devin. Op onderzoeksgebied spelen universiteiten als Princeton en Stanford een belangrijke rol, onder meer als makers van SWE-bench en SWE-agent. De non-profit METR vervult een aparte rol als onafhankelijke evaluator die harnasontwerp en modelcapaciteiten probeert te ontrafelen. Daarnaast draagt een brede internationale open-sourcegemeenschap bij aan projecten als OpenHands en Aider, waardoor kennis over agentharnasen niet uitsluitend bij grote bedrijven blijft.