De nieuwste generatie grote taalmodellen (LLM’s) verbeteren snel qua mogelijkheden, maar het simpelweg hebben van een slimmer model is niet voldoende om betrouwbare AI-agenten in te zetten. De echte uitdaging ligt in de ‘harness engineering’ – het bouwen van de infrastructuur waarmee deze modellen gedurende langere perioden onafhankelijk en effectief kunnen functioneren. Zoals Harrison Chase, CEO van LangChain, uitlegt, is dit een evolutie van traditionele context-engineering, waarbij de modellen verschuiven van het beperken naar het empoweren ervan.
De verschuiving van controle naar autonomie
Vroege AI-systemen zijn ontworpen om oneindige lussen en ongecontroleerd gereedschapsgebruik te vermijden. Nu is de trend om LLM’s meer controle te geven over hun eigen context. Dit maakt langdurige, autonome assistenten mogelijk die complexe taken kunnen plannen en uitvoeren zonder constante menselijke tussenkomst. Chase noemt de overname van OpenClaw door OpenAI als voorbeeld: het virale succes ervan ging niet over het model zelf, maar over het laten werken met een niveau van vrijheid dat maar weinig gevestigde laboratoria zouden toestaan.
De vraag blijft of OpenAI deze ‘let it rip’-benadering kan verzoenen met de veiligheid en betrouwbaarheid die vereist zijn voor bedrijfsapplicaties. Het vermogen om autonome agenten veilig in te zetten is de echte beloning.
Het probleem van voortijdige autonomie
LLM’s waren lange tijd niet krachtig genoeg om op betrouwbare wijze met autonome lussen om te gaan. Projecten als AutoGPT waren in theorie weliswaar veelbelovend, maar lieten dit zien: de architectuur was er, maar de modellen konden de samenhang eenvoudigweg niet behouden of plannen effectief uitvoeren. De kloof tussen modelcapaciteiten en agentontwerp zorgde ervoor dat vroege pogingen vaak mislukten.
Naarmate LLM’s verbeteren, verandert deze dynamiek echter. Teams kunnen nu omgevingen bouwen waar modellen in loops kunnen draaien, over langere horizonten kunnen plannen en deze ‘harnassen’ voortdurend kunnen verfijnen om de prestaties te verbeteren.
LangChain’s Deep Agents: een aanpasbare oplossing
Het antwoord van LangChain op deze uitdaging is Deep Agents, een aanpasbaar harnas gebouwd op LangChain en LangGraph. Het biedt verschillende belangrijke functies:
- Planningsmogelijkheden: Hiermee kunnen agenten complexe taken opsplitsen in beheersbare stappen.
- Virtueel bestandssysteem: Stelt agenten in staat informatie op te slaan, op te halen en te beheren.
- Context- en tokenbeheer: Voorkomt overbelasting van de context en zorgt voor een efficiënt gebruik van LLM-bronnen.
- Code-uitvoering: Geeft agenten de mogelijkheid code uit te voeren voor dynamische probleemoplossing.
- Vaardigheden en geheugenfuncties: Stelt agenten in staat om in de loop van de tijd te leren en zich aan te passen.
- Delegatie van subagenten: Verdeelt taken in kleinere delen die worden afgehandeld door gespecialiseerde agenten, die parallel worden uitgevoerd voor efficiëntie.
Cruciaal is dat Deep Agents subagentcontexten isoleren om rommel te voorkomen en resultaten te comprimeren voor efficiënt tokengebruik. Agenten kunnen takenlijsten maken en volgen in honderden stappen, waarbij ze onderweg effectief ‘hun gedachten opschrijven’. De sleutel is om LLM’s in staat te stellen te beslissen wanneer ze de context willen condenseren voor optimale prestaties.
Context is koning
Chase benadrukt dat effectieve agentontwikkeling neerkomt op context-engineering: ervoor zorgen dat de LLM op het juiste moment over de juiste informatie in het juiste formaat beschikt. Als agenten falen, is het meestal een contextprobleem; als ze slagen, komt dat omdat ze over de nodige kennis beschikken.
Dit betekent dat we verder moeten gaan dan statische systeemprompts en in plaats daarvan dynamische vaardigheden moeten gebruiken die agenten op verzoek kunnen laden. “In plaats van alles hard te coderen in één grote systeemprompt,” legde Chase uit, “zou je een kleinere systeemprompt kunnen hebben: ‘Dit is de basis, maar als ik X moet doen, laat me dan de vaardigheid voor X lezen. Als ik Y moet doen, laat me dan de vaardigheid voor Y lezen.’”
Waarneembaarheid en sporen zijn cruciaal voor het debuggen en begrijpen hoe agenten denken. Door het gedrag van agenten te analyseren, kunnen ontwikkelaars fundamentele vragen beantwoorden: Wat is de systeemprompt? Hoe wordt het gemaakt? Welke hulpmiddelen heeft de agent? Hoe wordt feedback gepresenteerd?
De toekomst van agentontwikkeling
De volgende grens betreft code-sandboxen voor veilige uitvoering, evoluerende gebruikersinterfaces die zijn ontworpen voor langlopende agenten, en diepgaande observatietools om de prestaties bij te houden. De industrie gaat verder dan alleen het slimmer maken van modellen naar het ontwerpen van de systemen waarmee ze betrouwbaar kunnen functioneren in de echte wereld.
De belangrijkste factor bij de ontwikkeling van AI-agenten is niet langer alleen de modelgrootte, maar ook hoe effectief u de context kunt beheren, autonomie kunt versterken en de prestaties kunt volgen. Het ‘harnas’ is nu net zo belangrijk als het model zelf.
