Stap 1: kies de taak, niet de technologie
De meeste agents die stranden, stranden op de keuze van de taak. Een goede eerste agent heeft één taak die vaak terugkomt, waarvan de stappen per geval verschillen, en waarvan je kunt zien of het resultaat goed is. Denk aan: een binnenkomende supportmail uitzoeken en een conceptantwoord klaarzetten, een bug in een codebase opsporen, of bij een nieuwe klant de gegevens uit drie systemen bij elkaar zoeken.
Liggen de stappen elke keer vast, dan heb je geen agent nodig maar een workflow. Anthropic zegt het zo: zoek “de eenvoudigste oplossing” en voeg pas complexiteit toe als het nodig is. Wat het verschil is, staat in Wat is een AI-agent?
Stap 2: kies de bouwvorm
| Bouwvorm | Voorbeeld | Past bij | Let op |
|---|---|---|---|
| No-code workflowtool | AI Agent-node in n8n | Teams die al automatiseren en een agent in een bestaand proces willen | De node heeft een chatmodel en minstens één tool nodig; geheugen voeg je apart toe |
| Agentbouwer in je kantoorpakket | Microsoft Copilot Studio | Teams die alles in Microsoft 365 hebben | Werkt het best met kennis uit SharePoint en Microsoft-bronnen |
| SDK met een kant-en-klare lus | Claude Agent SDK | Ontwikkelaars die de tools, sessies en contextbeheer van Claude Code willen hergebruiken | Python en TypeScript |
| Lichte SDK | OpenAI Agents SDK | Ontwikkelaars die zelf willen bepalen hoe agents samenwerken | Weinig abstracties: agents, handoffs, guardrails, sessies |
| Direct op de API | Messages API of Responses API | Wie volledige controle wil | Je schrijft de lus zelf |
De Claude Agent SDK geeft je volgens de documentatie “dezelfde tools, agent loop en contextbeheer” als Claude Code, programmeerbaar in Python en TypeScript. De OpenAI Agents SDK noemt zichzelf een pakket met “heel weinig abstracties”, met agents (een model met instructies en tools), handoffs tussen agents, guardrails voor in- en uitvoer, en sessies als geheugen binnen de lus. Voor Copilot Studio staat de opbouw en de prijs in Hoe bouw ik een agent in Copilot Studio en wat kost dat?
Stap 3: geef hem een paar goede tools
Een tool is alles waarmee de agent iets doet: een zoekfunctie, een API van je CRM, een MCP-koppeling, een bestand schrijven. Anthropic adviseert tools die weinig tokens kosten en elkaar niet overlappen, met een harde toets: “als een menselijke engineer niet met zekerheid kan zeggen welke tool in een situatie gebruikt moet worden”, kan een agent dat ook niet. Begin met drie tools die je goed beschrijft, niet met twintig.
Bepaal ook wat de agent niet mag. Leesrechten zijn veilig om mee te beginnen; schrijven en versturen geef je pas als je ziet dat hij goed werkt.
Stap 4: schrijf de context
Hier zit het meeste werk, en het wordt het vaakst onderschat. Een agent weet niets van jouw bedrijf tot jij het hem vertelt:
- Instructies. Wie is de agent, voor wie werkt hij, wat is een goed resultaat. Anthropic raadt aan te beginnen met een korte instructie en die aan te vullen op basis van fouten die je ziet, niet vooraf alles dicht te regelen.
- Voorbeelden. Twee of drie echte gevallen met het gewenste resultaat werken beter dan een lange lijst regels.
- Kennis. Waar haalt hij zijn feiten vandaan: een map, een kennisbank, het CRM? Hoe vindt hij het juiste stuk, zonder alles in zijn context te laden?
- Geheugen. Wat moet hij onthouden tussen sessies, en waar staat dat? Zonder dat begint elke run bij nul.
Het misverstand: de agent is af als hij werkt
Een agent die vandaag goede antwoorden geeft, geeft die over drie maanden niet meer als de prijslijst, de klantafspraken of de code veranderd zijn. De agent zelf leert daar niets van: het model verandert niet terwijl je ermee werkt. Wat verandert, moet iemand bijhouden in de instructies en de kennis waar hij uit leest. Plan dus vanaf dag één wie de context van de agent onderhoudt, en test hem voor je hem echt laat werken. Hoe je dat aanpakt staat in Hoe test je een AI-agent voordat je bedrijfsprocessen ermee automatiseert?
Wat dit voor een team betekent
De tweede agent in een team is lastiger dan de eerste. Dan blijkt dat de kennis die je in de eerste stopte (de tone of voice, de klantafspraken, de uitzonderingen) ook in de tweede moet, en in de Claude of Copilot van je collega’s. Wie elke agent zijn eigen kopie van de teamkennis geeft, heeft na een half jaar vijf versies die elkaar tegenspreken.
Waar Bombos past
Bombos is het geheugen dat je niet in elke agent opnieuw hoeft te bouwen. Het is een plugin die je eigen agents, en ook Claude, Claude Code, ChatGPT, Copilot, Grok, Codex en Cursor, één gedeelde bron geeft: teamkennis, regels die het team geleerd heeft, en wat er al in mail, documenten en repo’s staat, navolgbaar en in de cloud of op je eigen server. Eén ontwikkelaar kan het eerst aan zijn eigen agent koppelen.
Vragen die hierbij horen
Kan ik een AI-agent maken zonder te programmeren?
Ja. In n8n sleep je een AI Agent-node in een workflow en koppel je een chatmodel en tools; in Microsoft Copilot Studio bouw je een agent op je eigen SharePoint en documenten. Voor complexere taken kom je sneller uit bij code.
Welk model moet ik kiezen?
Begin met een sterk model en maak het pas goedkoper als de agent werkt. Een agent die met een zwakker model vaak de verkeerde tool kiest, kost meer tijd dan het scheelt aan tokens.
Hoeveel tools geef ik een agent?
Zo weinig als kan. Anthropic waarschuwt dat als een mens niet zeker kan zeggen welke tool in een situatie past, een agent dat ook niet kan. Overlappende tools leiden tot verkeerde keuzes.
Moet ik een framework gebruiken?
Niet per se. Anthropic raadt aan te beginnen met de API van het model zelf en abstractielagen weg te laten waar het kan. Een framework is handig, maar maakt het ook verleidelijk om complexer te bouwen dan nodig.
