4. Bouwstenen van een AI Agent

LLM en prompt

• Het taalmodel begrijpt taal en genereert antwoorden.
• De prompt geeft richting aan doel, rol, toon, grenzen en gedrag.
• Een prompt is geen beveiliging; rechten en controles blijven nodig.
• Praktisch voorbeeld: de prompt geeft aan dat de Agent een vriendelijk conceptantwoord op een klantvraag maakt en geen toezeggingen over prijzen mag doen.

Context en documenten

• Een Agent heeft context nodig om zinvol te reageren.
• Documenten kunnen beleid, handleidingen, offertes, contracten of protocollen bevatten.
• Zonder betrouwbare context gaat een Agent sneller gokken.
• Praktisch voorbeeld: de Agent gebruikt de actuele retourvoorwaarden om een vraag over het terugsturen van een product te beantwoorden.

RAG

• RAG staat voor Retrieval-Augmented Generation (antwoordgeneratie, aangevuld met opgehaalde informatie).
• Daarbij wordt relevante informatie uit documenten opgehaald.
• RAG helpt om antwoorden beter te baseren op organisatiekennis.
• Bronvermelding en controle blijven belangrijk.
• Praktisch voorbeeld: bij een vraag over garantie zoekt de Agent eerst de relevante passages in de garantievoorwaarden en gebruikt die voor het antwoord.

Geheugen

• Geheugen kan tijdelijk zijn binnen één taak of langer voor een geschiedenis of voorkeuren.
• Bewaar niet meer dan nodig.
• Fouten in geheugen kunnen later opnieuw problemen veroorzaken.
• Praktisch voorbeeld: de Agent onthoudt tijdens het gesprek om welk ordernummer het gaat, zodat de klant dit niet steeds opnieuw hoeft te noemen.

Tools en API’s

• Tools geven een Agent mogelijkheden buiten tekst.
• Voorbeelden zijn CRM raadplegen, agenda bekijken, e-mailconcept maken of tickets aanmaken.
• Hoe krachtiger de tool, hoe belangrijker rechten en logging worden.
• Praktisch voorbeeld: de Agent raadpleegt via een API de actuele bestelstatus en verwerkt deze in een conceptantwoord.

MCP

• MCP staat voor Model Context Protocol: een manier om AI gestructureerd met tools en databronnen te verbinden.
• Een API is een technische ingang tot één systeem of functie, bijvoorbeeld om een bestelling in een CRM op te zoeken.
• MCP voegt daar gestandaardiseerde afspraken aan toe over welke tools en bronnen beschikbaar zijn, wat ze kunnen, welke invoer ze verwachten, welke uitvoer ze geven en welke context beschikbaar is.
• Voor deze training is vooral het principe belangrijk: koppelingen moeten duidelijk, beperkt en controleerbaar zijn.
• Een Agent mag niet willekeurig overal bij kunnen.
• Praktisch voorbeeld: via een MCP-koppeling kan de Agent alleen klantgegevens opzoeken, maar deze niet wijzigen of verwijderen.

Workflow

• De workflow beschrijft welke stappen een Agent kan uitvoeren en in welke volgorde.
• Vaste stappen geven structuur; de Agent gebruikt interpretatie om binnen die structuur keuzes te maken.
• Niet elk proces heeft een Agent nodig: bij volledig voorspelbare stappen is een vaste workflow vaak voldoende.
• Praktisch voorbeeld: de Agent leest eerst de klantvraag, zoekt daarna de bestelling op en maakt vervolgens een conceptantwoord.

Logging

• Logging legt vast wat de Agent deed, met welke input en welke uitkomst.
• Logging helpt bij foutanalyse, compliance en verbetering.
• Zonder logging is achteraf moeilijk te controleren wat er is gebeurd.
• Praktisch voorbeeld: het logboek vermeldt welke klantvraag is ontvangen, welke bronnen zijn geraadpleegd en welk conceptantwoord is gemaakt.

Menselijke controle

• Menselijke controle hoort in het ontwerp, niet pas achteraf.
• Denk aan goedkeuring voor externe e-mails, geldbedragen, gevoelige data of onzekere conclusies.
• In het ontwerp wordt vastgelegd wanneer de Agent moet stoppen en een mens moet inschakelen.
• Praktisch voorbeeld: een medewerker controleert en verstuurt het conceptantwoord wanneer daarin een vergoeding aan de klant wordt voorgesteld.

Ontwerp een controleerbare Agent die een vraag ontvangt, organisatiekennis gebruikt, via een tool context ophaalt, logging vastlegt en pas na menselijke controle een output oplevert.

• Een goede Agent bestaat uit meerdere bouwstenen.
• Het taalmodel is belangrijk, maar niet genoeg.
• Context bepaalt of een Agent nuttige antwoorden kan geven.
• Tools en API’s maken een Agent krachtig, maar verhogen ook het risico.
• RAG helpt om organisatiekennis te gebruiken, maar vervangt geen controle.
• Geheugen moet bewust en beperkt worden ingezet.
• Logging is nodig om gedrag achteraf te kunnen begrijpen.
• Menselijke controle hoort in het ontwerp.
• Een Agent zonder duidelijke grenzen is geen betrouwbare Agent.

“Een goede Agent is opgebouwd uit meerdere samenwerkende bouwstenen.”