Subagent: hoe AI-systemen taken uitbesteden aan gespecialiseerde hulp-AI's
Een subagent is een kleinere, gespecialiseerde AI die door een hoofd-AI wordt ingeschakeld om een deeltaak uit te voeren, waarna het resultaat teruggaat naar die hoofd-AI. Denk aan een projectleider die niet alles zelf doet, maar een deel van het werk uitbesteedt aan een specialist: die specialist krijgt een duidelijke opdracht, werkt die zelfstandig af en levert alleen de uitkomst weer in bij de projectleider. In AI-systemen heet die projectleider vaak de hoofdagent of orchestrator, en de ingehuurde specialisten zijn de subagenten.
Een concreet voorbeeld: stel dat je een AI-assistent vraagt om een stuk software te bouwen, te testen en de documentatie te schrijven. In plaats van dat één AI-model al die stappen achter elkaar zelf uitvoert binnen hetzelfde 'gesprek', kan het systeem drie subagenten inzetten: een die alleen programmeert, een die alleen test, en een die alleen documentatie schrijft. Elke subagent krijgt zijn eigen instructies en werkgeheugen, en rapporteert pas terug als zijn taak klaar is. De hoofdagent voegt de resultaten samen tot een eindantwoord.
Wat is het precies?
Om te begrijpen wat een subagent toevoegt, helpt het om eerst te weten hoe een taalmodel (large language model, ofwel LLM) normaal werkt. Zo'n model bouwt binnen één gesprek een steeds langer wordend 'geheugen' op, het context window genoemd: alle eerdere berichten, tussenresultaten en instructies blijven zichtbaar voor het model zolang het gesprek duurt. Bij complexe taken raakt dat venster vol met details die eigenlijk alleen voor één deelstap relevant waren, wat het model trager en minder scherp kan maken.
Een subagent lost dit op door een aparte, geïsoleerde sessie te starten. De hoofdagent besluit: 'voor deze deeltaak roep ik een subagent aan', en geeft die subagent een eigen, kort en gericht startbericht (system prompt) mee, vaak met een beperkte set gereedschappen (tools) die het mag gebruiken, bijvoorbeeld alleen bestanden lezen, of alleen code uitvoeren. De subagent werkt vervolgens in zijn eigen, lege context window, zonder de ballast van het hele voorgaande gesprek. Zodra de subtaak klaar is, stuurt hij alleen de samenvatting of het eindresultaat terug naar de hoofdagent, en zijn eigen tussenstappen verdwijnen weer.
Dit patroon staat bekend als orchestrator-worker of hiërarchische multi-agent architectuur: één coördinerend systeem verdeelt werk over meerdere uitvoerende eenheden. Subagenten kunnen op twee manieren draaien: na elkaar (de hoofdagent wacht tot de een klaar is voor hij de volgende start) of gelijktijdig (meerdere subagenten werken parallel aan onafhankelijke deeltaken, wat tijd bespaart maar meer rekenkracht kost).
Wat wil men ermee bereiken?
De belangrijkste reden om met subagenten te werken is dat complexe taken vaak uit heel verschillende soorten werk bestaan, die elk baat hebben bij hun eigen aanpak. Een subagent die alleen code hoeft te controleren op beveiligingsfouten, presteert doorgaans beter als hij niet wordt afgeleid door honderden regels ongerelateerde context uit een lang gesprek.
Een tweede doel is betrouwbaarheid door scheiding van verantwoordelijkheden: als elke subagent een smal, goed omschreven taakje heeft, is er minder kans dat het model in de war raakt of instructies door elkaar haalt. Dit lijkt op hoe een organisatie afdelingen met duidelijke rollen instelt in plaats van iedereen alles te laten doen.
Ten derde speelt kostenbeheersing en snelheid mee: door taken te parallelliseren, kan een systeem meerdere subagenten tegelijk laten werken, wat de totale doorlooptijd verkort. En doordat een subagent alleen toegang krijgt tot de tools die hij nodig heeft, is het risico kleiner dat een AI per ongeluk iets doet buiten zijn eigenlijke taak, wat ook een veiligheidsvoordeel is.
Tot slot hopen ontwikkelaars dat gespecialiseerde subagenten, elk met een scherp afgebakende rol en instructies die precies op die rol zijn toegesneden, in de praktijk minder fouten maken dan één generalistische AI die alles tegelijk probeert te doen.
Voorbeelden uit de praktijk
Claude Code subagenten (Anthropic, 2025) — In de programmeertool Claude Code kunnen gebruikers eigen subagenten definiëren, elk met een eigen systeeminstructie en eigen toegestane tools, bijvoorbeeld een subagent die alleen codereviews doet of een die alleen tests schrijft. De hoofdagent beslist zelf wanneer zo'n subagent wordt ingeschakeld.
Microsoft AutoGen (2023) — Een open-source raamwerk van Microsoft Research waarmee ontwikkelaars meerdere AI-agenten met elkaar laten 'praten' om samen een taak op te lossen, bijvoorbeeld een agent die code schrijft en een andere die deze controleert voordat het resultaat wordt teruggegeven.
MetaGPT (2023) — Een onderzoeksproject dat een compleet softwarebedrijf nabootst met AI-agenten in rollen als product manager, architect en programmeur, die elkaars werk als input gebruiken volgens vaste bedrijfsprocessen. Het bijbehorende onderzoekspaper werd in 2024 gepresenteerd op de ICLR-conferentie, een belangrijke AI-onderzoeksconferentie.
CrewAI (2023) — Een raamwerk waarmee je 'crews' van agenten samenstelt, elk met een eigen rol, doel en achtergrondverhaal, vergelijkbaar met een team van collega's die samen een project aanpakken.
LangGraph (LangChain, 2024) — Een uitbreiding op het populaire LangChain-raamwerk waarmee ontwikkelaars agentworkflows als een graaf (netwerk van stappen en beslispunten) modelleren, inclusief vertakkingen naar subagenten en terugkoppeling naar een coördinerende laag.
Hoe ver is de techniek?
Multi-agentsystemen met subagenten zijn sinds 2023 in hoog tempo ontwikkeld, gedreven door steeds krachtigere en goedkopere taalmodellen. Wat begon als academische experimenten (zoals MetaGPT) is inmiddels doorgedrongen tot productiegereedschap zoals Claude Code, waar subagenten een ingebouwde, door gebruikers configureerbare functie zijn geworden.
Toch is de techniek nog geen uitgekristalliseerde standaard. Een belangrijk obstakel is betrouwbare coördinatie: als een subagent een fout maakt of een verkeerde aanname doet, kan die fout onopgemerkt doorsijpelen naar de hoofdagent, die de tussenstappen van de subagent niet ziet en dus moeilijk kan controleren. Onderzoekers noemen dit wel het probleem van error propagation in agentketens.
Een tweede obstakel is kosten en snelheid: elke subagent is in feite een extra aanroep van een taalmodel, en bij parallelle of geneste subagenten kunnen de rekenkosten snel oplopen, soms met weinig winst in kwaliteit ten opzichte van één goed geïnstrueerde agent.
Ten derde ontbreekt het nog aan gestandaardiseerde manieren om te meten hoe goed multi-agentsystemen presteren ten opzichte van simpelere aanpakken; veel claims over prestatiewinst komen uit interne benchmarks van de makers zelf, en onafhankelijke, herhaalbare evaluaties zijn schaars. Voorzichtigheid bij het interpreteren van prestatiecijfers is daarom op zijn plaats.
Wie werken eraan?
Anthropic (bekend van het Claude-model) heeft subagenten expliciet in zijn ontwikkeltool Claude Code ingebouwd. OpenAI experimenteert met vergelijkbare multi-agentpatronen in zijn Agents-gereedschappen. Microsoft Research is de drijvende kracht achter AutoGen en publiceert actief onderzoek naar agentcoördinatie. Google DeepMind onderzoekt multi-agentopstellingen binnen zijn bredere AI-onderzoeksprogramma's.
Daarnaast zijn er gespecialiseerde softwarebedrijven zoals CrewAI Inc. en LangChain Inc. die commerciële en open-source raamwerken bouwen specifiek voor het orkestreren van agenten en subagenten. Aan de academische kant zijn onderzoeksgroepen aan onder meer Stanford University en Carnegie Mellon University actief betrokken bij publicaties over multi-agent AI-systemen, vaak gepubliceerd via het open preprint-platform arXiv en besproken op AI-conferenties zoals NeurIPS en ICLR.