Agentische werkprocessen

Agentische werkprocessen (Agentic Workflows) zijn dynamische meerstapsprocessen waarbij autonome AI-agenten op basis van grote taalmodellen (LLM) zelfstandig beslissingen nemen, acties uitvoeren en taken coördineren met minimale menselijke tussenkomst. In dergelijke systemen wordt een LLM niet alleen gebruikt voor het genereren van een antwoord op één verzoek, maar ook voor het plannen van een reeks acties, de interactie met externe hulpmiddelen en de iteratieve verbetering van het resultaat.

In tegenstelling tot traditionele automatisering op basis van strak geprogrammeerde regels bieden agentische benaderingen flexibiliteit — ze kunnen zich aanpassen aan nieuwe gegevens en onvoorziene omstandigheden. Een agentisch werkproces verschilt van een eenvoudige aanroep van een LLM (bijvoorbeeld voor het samenvatten van tekst) doordat de agent autonomie krijgt bij het kiezen van acties, wat planning, gebruik van hulpmiddelen en zelfcorrectie omvat.

Componenten en architectuur van een agentische workflow

Een agentisch werkproces combineert verschillende sleutelcomponenten om een doel te bereiken.

AI-agent en LLM

Centraal in het proces staat de AI-agent — een autonoom programma dat namens een gebruiker of systeem handelt. Het belangrijkste onderdeel van de agent is het grote taalmodel, dat zorgt voor het begrijpen van instructies in natuurlijke taal en het genereren van de benodigde redenering. De kwaliteit van de agent is sterk afhankelijk van prompt-engineering — verschillende promptschema's (bijvoorbeeld Chain-of-Thought) helpen het LLM af te stemmen op de gewenste werkstijl.

Hulpmiddelen (toegang tot externe acties)

Omdat de kennis van een LLM beperkt is tot de trainingsgegevens, worden de agent externe hulpmiddelen verstrekt die zijn mogelijkheden uitbreiden. Hulpmiddelen kunnen toegang bieden tot kennisbanken, zoekmachines, API's, code-interpreters en andere applicaties. Hiermee verkrijgt de agent actuele informatie of voert hij reële acties uit buiten het model zelf.

Geheugen en context

Een kenmerkend aspect van agentische workflows is de aanwezigheid van een geheugenmechanisme waarmee de agent rekening kan houden met eerdere ervaringen en context.

• Kortetermijngeheugen bewaart recente informatie (bijvoorbeeld de dialooggeschiedenis) binnen de huidige sessie.
• Langetermijngeheugen slaat kennis en resultaten op die over meerdere uitvoeringen zijn opgebouwd, vaak met behulp van externe opslagplaatsen (bijvoorbeeld vectordatabases).

Terugkoppeling en correctie

Feedbackmechanismen spelen een belangrijke rol bij het vergroten van de betrouwbaarheid. De agent kan feedback ontvangen vanuit de uitvoeringsomgeving, van een ondersteunend 'criticus'-model of van een mens (human-in-the-loop-modus). Zo implementeert het systeem Reflexion interne zelffeedback: de agent analyseert zijn eigen fouten en slaat 'reflecties' op in het geheugen om daaropvolgende pogingen te verbeteren.

Meervoudige agentconfiguraties

In complexe scenario's wordt een meervoudige agentarchitectuur toegepast, waarbij meerdere gespecialiseerde agenten met elkaar samenwerken. Zo stelt een 'planner'-agent deeltaken op, terwijl meerdere 'uitvoerings'-agenten hun specifieke taken oplossen (gegevens ophalen, berekeningen uitvoeren, enzovoort).

Typische patronen en algoritmen voor het werken van agenten

Hoewel er nog geen universele gestandaardiseerde architectuur voor agentische LLM-systemen is ontwikkeld, begonnen er in 2023–2024 herhalende patronen te verschijnen.

• Stapsgewijze planning (Prompt Chaining). Een taak wordt opgesplitst in een reeks fasen via een keten van LLM-aanroepen. Elke stap ontvangt het resultaat van de vorige stap als invoer en voert een deel van de totale taak uit. Deze aanpak verbetert de interpreteerbaarheid, maar is minder flexibel.
• Routering en hulpmiddelkeuze (Router Pattern). De agent classificeert eerst het type inkomende taak en kiest vervolgens een speciaal proces of hulpmiddel om de taak op te lossen, waarbij hij fungeert als dispatcher.
• Parallelle oplossingsverkenning. In plaats van één lineaire gedachtegang worden meerdere oplossingsopties tegelijkertijd onderzocht. Een voorbeeld is de Tree-of-Thoughts-aanpak, waarbij de agent de redeneerketen vertakt als een boom, op elke stap meerdere kandidaat-'gedachten' genereert en de meest veelbelovende selecteert.
• Reflectie en zelfcorrectie. De agent beoordeelt zijn eigen oplossingen kritisch en leert van fouten. In de Reflexion-methode analyseert de agent na elke poging het resultaat en slaat conclusies op die hij in volgende cycli gebruikt.

Voorbeelden van bekende benaderingen

• ReAct (Reasoning and Acting) — een fundamentele methode (2022) die redeneren en handelen combineert. Het LLM genereert afwisselend logische gevolgtrekkingen (thoughts) en concrete actiestappen (actions) die worden uitgevoerd met behulp van hulpmiddelen.
• Reflexion (2023) — een zelfreflectie-framework waarmee agenten kunnen leren van hun eigen fouten via tekstuele terugkoppeling, zonder de gewichten van het model bij te werken.
• Tree-of-Thoughts (ToT) (2023) — een framework dat het idee van Chain-of-Thought generaliseert om de zoektocht naar een oplossing te organiseren in de vorm van een boom, waardoor het model meerdere mogelijke ontwikkelingen kan overwegen.
• Auto-GPT (2023) — een van de eerste breed bekende open projecten die een volledig autonome agentische workflow demonstreren. Het systeem genereert een groep gespecialiseerde GPT-4-agenten die gezamenlijk stappen plannen en uitvoeren om een door de gebruiker opgegeven doel op hoog niveau te bereiken.

Toepassingen en impact

Agentische benaderingen vinden toepassing in tal van gebieden waar intelligente automatisering en flexibiliteit vereist zijn.

• Bedrijfsprocessen: Agentische systemen breiden de mogelijkheden van chatbots voor technische ondersteuning uit, die zelfstandig problemen kunnen diagnosticeren en oplossingen kunnen vinden. Ze worden ook ingezet in de financiële sector, personeelsbeheer en marketing.
• Generatieve simulaties: Autonome LLM-agenten kunnen complex gedrag van gemeenschappen of personages modelleren. In het werk Generative Agents (Park et al., 2023) simuleerden tientallen GPT-agenten met verschillende persoonlijkheden op geloofwaardige wijze het sociale leven in een gesimuleerd stadje.

Volgens analisten van Gartner is agentische AI (Agentic AI) opgenomen in de lijst van strategische technologietrends voor 2025.

Problemen en ontwikkelingsperspectieven

Ondanks de successen blijven agentische LLM-systemen een nieuwe en complexe technologie.

• Middelenkosten: Elke extra stap van planning, zoeken of zelfreflectie is een afzonderlijke LLM-aanroep, wat de uitvoeringstijd en kosten verhoogt.
• Onvoorspelbaarheid van gedrag: Hoe meer vrijheid de agent heeft, hoe moeilijker het is te garanderen welk pad hij zal kiezen. Dit vereist de invoering van beperkingen en beschermingsmechanismen (guardrails).
• Kwaliteitsbeoordeling en foutopsporing: Het analyseren van uitgebreide logs van meerstapssystemen om fouten te vinden is een niet-triviale taak.
• Veiligheid en ethiek: Naarmate de autonomie van AI toeneemt, ontstaat de noodzaak om te garanderen dat agenten handelen in het belang van de gebruiker en de samenleving.

Toekomstig onderzoek is gericht op het creëren van universele middelen voor het gebruik van hulpmiddelen, de ontwikkeling van uniforme end-to-end workflows en de optimalisatie van de efficiëntie van agentische systemen.

Verwijzingen

• Overzicht van agentische werkprocessen door IBM
• Handleiding voor het opzetten van effectieve AI-agenten door Anthropic

Literatuur

• Yao, S. et al. (2022). ReAct: Synergizing Reasoning and Acting in Language Models. arXiv:2210.03629.
• Schick, T. et al. (2023). Toolformer: Language Models Can Teach Themselves to Use Tools. arXiv:2302.04761.
• Liu, X. et al. (2023). AgentBench: Evaluating LLMs as Agents. arXiv:2308.03688.
• Yao, S. et al. (2023). Tree of Thoughts: Deliberate Problem Solving with Large Language Models. arXiv:2305.10601.
• Shinn, N. et al. (2023). Reflexion: Language Agents with Verbal Reinforcement Learning. arXiv:2303.11366.
• Park, J. S. et al. (2023). Generative Agents: Interactive Simulacra of Human Behavior. arXiv:2304.03442.
• Wang, G. et al. (2023). Voyager: An Open-Ended Embodied Agent with Large Language Models. arXiv:2305.16291.
• Bakhtin, A. et al. (2022). Human-Level Play in the Game of Diplomacy by Combining Language Models with Strategic Reasoning. Science. DOI:10.1126/science.ade9097.
• Wang, L. et al. (2025). A Survey on Large Language Model based Autonomous Agents. arXiv:2308.11432.
• Li, X. (2024). A Survey on LLM-Based Agentic Workflows and LLM-Profiled Components. arXiv:2406.05804.
• Jung, J. et al. (2024). Trust or Escalate: LLM Judges with Provable Guarantees for Human Agreement. arXiv:2407.18370.
• Xu, W. et al. (2025). A-MEM: Agentic Memory for LLM Agents. arXiv:2502.12110.
• He, G. et al. (2025). Plan-Then-Execute: An Empirical Study of User Trust and Team Performance When Using LLM Agents as a Daily Assistant. arXiv:2502.01390.
• Huang, X. et al. (2024). Understanding the Planning of LLM Agents: A Survey. arXiv:2402.02716.
• Kuang, Z. et al. (2023). PEARL: Prompting Large Language Models to Plan and Execute Reasoning over Long Documents. arXiv:2305.14564.