---
title: "Multi-agent-frameworks"
source: "https://systems-analysis.info/int/Multi-agent-frameworks"
wiki: "systems-analysis.info/int"
article: "Multi-agent-frameworks"
language: "nl"
categories:
  - "Category:AI Agents"
  - "Category:Dutch"
  - "Category:Large language models"
  - "Category:Machine learning"
revision_id: 4652
wiki_created_at: 2026-09-06T23:38:02Z
wiki_modified_at: 2026-09-06T23:38:02Z
downloaded_at: 2026-09-07T23:03:48Z
---

# Multi-agent-frameworks

**Multiagent frameworks op basis van LLM** zijn softwareplatformen waarmee meerdere autonome AI-agenten, gebouwd op basis van grote taalmodellen (LLM), met elkaar kunnen samenwerken om complexe taken gezamenlijk op te lossen<sup>[\[1\]](https://systems-analysis.info/int/Multi-agent-frameworks#cite_note-survey_agents-1)</sup>. In dergelijke systemen ligt de nadruk op de diversiteit van agentprofielen, hun communicatie en collectieve besluitvorming. De aanpak maakt gebruik van de 'collectieve intelligentie' van de groep, waarbij elke agent een gespecialiseerde rol vervult en de berichtenuitwisseling tussen hen de samenwerking van mensen nabootst.

Dit maakt het mogelijk complexe scenario's uit de echte wereld te modelleren en taken op te lossen die buiten de mogelijkheden van één enkele intelligente agent vallen. Multiagent LLM-systemen tonen al succesvolle resultaten op gebieden zoals softwareontwikkeling, sociale simulaties, economische spellen en het modelleren van politieke discussies<sup>[\[1\]](https://systems-analysis.info/int/Multi-agent-frameworks#cite_note-survey_agents-1)</sup>.

## Belangrijkste frameworks en benaderingen

De ontwikkeling van multiagentsystemen heeft geleid tot het ontstaan van een aantal open frameworks die hun creatie en onderzoek vergemakkelijken.

### MetaGPT (2023)

Een van de eerste open frameworks, gericht op samenwerking volgens het principe van een 'lopende band' (*assembly line*). **MetaGPT** introduceert standaard operationele procedures (SOPs) in het systeem en wijst aan elke agent een bepaalde rol toe (bijvoorbeeld productmanager, ingenieur, tester). Deze aanpak maakt het mogelijk een complexe taak op te splitsen in deeltaken die worden verdeeld over gespecialiseerde agenten, waardoor chaos en het risico op hallucinaties worden verminderd<sup>[\[2\]](https://systems-analysis.info/int/Multi-agent-frameworks#cite_note-harmony_survey-2)</sup>.

### CAMEL (2023)

Het framework **CAMEL** (*Communicative Agents for "Mind" Exploration*) is gericht op autonome interactie tussen agenten via dialoog. Het biedt een methode van *inception prompting* voor de coördinatie van gesprekken tussen LLM-agenten en stuurt hen naar een gemeenschappelijk doel. Elke agent krijgt een rol en context toegewezen, waarna de agenten in natuurlijke taal communiceren en geleidelijk een gezamenlijke oplossing ontwikkelen. CAMEL heeft zich effectief bewezen in scenario's die samenwerking vereisen zonder directe menselijke tussenkomst<sup>[\[1\]](https://systems-analysis.info/int/Multi-agent-frameworks#cite_note-survey_agents-1)</sup>.

### AutoGen (2023)

Een veelzijdig en configureerbaar framework van onderzoekers van Microsoft, ontworpen voor het bouwen van complexe applicaties op basis van communicatie tussen meerdere LLM's. **AutoGen** maakt het mogelijk de interactielogica van agenten te programmeren zowel via code als in natuurlijke taal. Het ondersteunt integratie met externe tools en API's, waardoor het geschikt is voor een breed scala aan taken — van softwareontwikkeling tot het bouwen van dialoogsystemen<sup>[\[1\]](https://systems-analysis.info/int/Multi-agent-frameworks#cite_note-survey_agents-1)</sup>.

### AgentVerse (2023)

Een open platform, ontwikkeld door de OpenBMB-gemeenschap voor het bestuderen van dynamische samenwerking en emergent gedrag van agenten. **AgentVerse** biedt twee werkingsmodi:

1.  **Taakoplossing (task-solving)**: Meerdere LLM-agenten worden samengevoegd in een team om een complexe taak uit te voeren (bijvoorbeeld gezamenlijke softwareontwikkeling).
2.  **Omgevingssimulatie (simulation)**: Stelt de gebruiker in staat een virtuele omgeving te definiëren en de interactie tussen agenten te observeren (bijvoorbeeld simulatie van een klaslokaal of een gevangenendilemma).

Het platform benadrukt het belang van een gestandaardiseerde omgeving en communicatieprotocollen voor beheerste communicatie<sup>[\[3\]](https://systems-analysis.info/int/Multi-agent-frameworks#cite_note-agentverse_github-3)</sup>.

### CrewAI (2024)

Een framework gericht op de integratie van LLM-agenten in bedrijfsprocessen en data-analyse. **CrewAI** implementeert het concept van *AI-Based Agents Workflow* (AgWf), waarbij agenten stappen uitvoeren die zijn beschreven als tekstinstructies en externe tools kunnen gebruiken (Python-klassen/functies). Dit maakt het mogelijk complexe analytische scenario's te automatiseren door de flexibiliteit van LLM te combineren met deterministische code<sup>[\[2\]](https://systems-analysis.info/int/Multi-agent-frameworks#cite_note-harmony_survey-2)</sup>.

### LangGraph (2024)

Een experimenteel framework dat grafische structuren gebruikt om de toestand en context in dialogen met LLM weer te geven. Het belangrijkste kenmerk van **LangGraph** is de ondersteuning van **cyclische werkstromen**. Dit stelt agenten in staat gegevens uit te wisselen via een gedeelde kennisgraph, iteratief informatie te zoeken, de betrouwbaarheid ervan te beoordelen en antwoorden bij te sturen, wat bijzonder nuttig is bij informatiezoekopdrachten (QA) met een aangevulde kennisbasis<sup>[\[2\]](https://systems-analysis.info/int/Multi-agent-frameworks#cite_note-harmony_survey-2)</sup>.

### Andere projecten

Brede aandacht trokken ook de experimentele projecten **AutoGPT** en **AgentGPT**, die het potentieel van volledig autonome AI-agenten hebben aangetoond die zelfstandig doelen kunnen stellen, websearches kunnen uitvoeren, code kunnen starten en bestanden kunnen beheren. Hoewel deze projecten niet wetenschappelijk zijn beoordeeld, onderstreepten ze het belang van plannings-, geheugen- en toolcomponenten voor het bouwen van werkelijk zelfstandige agenten<sup>[\[4\]](https://systems-analysis.info/int/Multi-agent-frameworks#cite_note-nvidia_blog-4)</sup>.

## Toepassingen van multiagentsystemen

- **Automatisering van softwareontwikkeling**: Groepen LLM-agenten vervullen de rollen van manager, programmeur en tester en plannen en realiseren gezamenlijk softwareprojecten. Onderzoek naar *ChatDev* toonde aan dat een team van vier agenten in enkele minuten een eenvoudige applicatie kon ontwikkelen door in alle fasen te communiceren, van taakomschrijving tot testen<sup>[\[2\]](https://systems-analysis.info/int/Multi-agent-frameworks#cite_note-harmony_survey-2)</sup>.
- **Intelligente assistenten**: Zakelijke producten zoals Microsoft 365 Copilot en IBM Watsonx Orchestrate gebruiken meerdere agenten voor het uitvoeren van complexe taken, waarbij één agent het verzoek verwerkt, een andere feiten uit de database haalt en een derde het rapport opstelt.
- **Wetenschappelijk onderzoek**: Agenten worden gebruikt voor het genereren en bekritiseren van hypothesen. In benaderingen zoals *Guided Debate* of *Self-Refine* stelt één agent een oplossing voor, terwijl een andere deze evalueert en bijstuurt, wat helpt het aantal fouten te verminderen<sup>[\[4\]](https://systems-analysis.info/int/Multi-agent-frameworks#cite_note-nvidia_blog-4)</sup>.
- **Sociale modellering en virtuele werelden**: In het toonaangevende project *Generative Agents* imiteerden tientallen LLM-agenten, voorzien van persoonlijkheden en geheugen, het leven van een kleine virtuele stad en demonstreerden ze geloofwaardige sociale interactie. Dergelijke simulaties kunnen worden toegepast in games (voor het creëren van realistische NPC's), in onderwijs en in de sociale wetenschappen<sup>[\[4\]](https://systems-analysis.info/int/Multi-agent-frameworks#cite_note-nvidia_blog-4)</sup>.

## Uitdagingen en perspectieven

Ondanks de successen worden multiagentsystemen geconfronteerd met een aantal ernstige problemen:

- **Hallucinaties en cascade-fouten**: Een fout gemaakt door één agent kan via een keten worden doorgegeven aan andere agenten, die deze als basis gebruiken voor hun redenering, wat leidt tot verstoring van het functioneren van de gehele groep<sup>[\[1\]](https://systems-analysis.info/int/Multi-agent-frameworks#cite_note-survey_agents-1)</sup>.
- **Schaalbaarheid en resource-intensiteit**: Elke agent op basis van LLM vereist aanzienlijke rekenbronnen. Het garanderen van de gelijktijdige werking van tientallen agenten is een complexe technische uitdaging<sup>[\[1\]](https://systems-analysis.info/int/Multi-agent-frameworks#cite_note-survey_agents-1)</sup>.
- **Coördinatie en beheer**: Naarmate het aantal agenten groeit, neemt het risico op chaos toe. Er zijn doordachte 'orkestratie'-mechanismen nodig voor het beheren van hun interactie.
- **Evaluatie en testen**: Er zijn geen algemeen aanvaarde benchmarks voor de objectieve vergelijking van verschillende multiagent frameworks.

In de toekomst worden efficiëntere en veiligere multimodale systemen verwacht, waarbij agenten niet alleen tekst maar ook afbeeldingen en andere gegevens kunnen uitwisselen. De invoering van Reinforcement Learning kan groepen agenten leren beter te coördineren in de loop van de tijd, waardoor het effect van 'collectieve intelligentie' wordt bereikt. Uiteindelijk zijn multiagent frameworks een stap naar het creëren van flexibelere en krachtigere AI-systemen, waarbij meerdere gespecialiseerde 'geesten' samenwerken.

## Verwijzingen

- Overzichtsartikel: Large Language Model based Multi-Agents (2024)
- Overzichtsartikel: LLMs Working in Harmony (2025)

## Literatuur

- Yao, S. et al. (2022). *ReAct: Synergizing Reasoning and Acting in Language Models*. arXiv:2210.03629.
- Hong, S. et al. (2023). *MetaGPT: Meta Programming for a Multi-Agent Collaborative Framework*. arXiv:2308.00352.
- Li, G. et al. (2023). *CAMEL: Communicative Agents for "Mind" Exploration of Large Language Model Society*. arXiv:2303.17760.
- Wu, Q. et al. (2023). *AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation*. arXiv:2308.08155.
- 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.
- Chen, W. et al. (2023). *AgentVerse: Facilitating Multi-Agent Collaboration and Exploring Emergent Behaviors*. arXiv:2308.10848.
- Park, J. S. et al. (2023). *Generative Agents: Interactive Simulacra of Human Behavior*. arXiv:2304.03442.
- Guo, T. et al. (2024). *Large Language Model Based Multi-Agents: A Survey of Progress and Challenges*. arXiv:2402.01680.
- Chen, Q. et al. (2024). *ChatDev: Communicative Agents for Software Development*. arXiv:2307.07924.
- Duan, Z.; Wang, J. (2024). *Exploration of LLM Multi-Agent Application Implementation Based on LangGraph + CrewAI*. arXiv:2411.18241.
- Aratchige, R. M.; Ilmini, W. M. K. S. (2025). *LLMs Working in Harmony: A Survey on the Technological Aspects of Building Effective LLM-Based Multi-Agent Systems*. arXiv:2504.01963.

## Noten

1.  <span id="cite_note-survey_agents-1">↑ <sup>[1.0](https://systems-analysis.info/int/Multi-agent-frameworks#cite_ref-survey_agents_1-0)</sup> <sup>[1.1](https://systems-analysis.info/int/Multi-agent-frameworks#cite_ref-survey_agents_1-1)</sup> <sup>[1.2](https://systems-analysis.info/int/Multi-agent-frameworks#cite_ref-survey_agents_1-2)</sup> <sup>[1.3](https://systems-analysis.info/int/Multi-agent-frameworks#cite_ref-survey_agents_1-3)</sup> <sup>[1.4](https://systems-analysis.info/int/Multi-agent-frameworks#cite_ref-survey_agents_1-4)</sup> <sup>[1.5](https://systems-analysis.info/int/Multi-agent-frameworks#cite_ref-survey_agents_1-5)</sup> Wang, L., et al. «Large Language Model based Multi-Agents: A Survey of Progress and Challenges». *arXiv:2402.01680* \[cs.AI\], 1 февр. 2024 г. <a href="https://arxiv.org/html/2402.01680v2" class="external autonumber" rel="nofollow">[1]</a></span>
2.  <span id="cite_note-harmony_survey-2">↑ <sup>[2.0](https://systems-analysis.info/int/Multi-agent-frameworks#cite_ref-harmony_survey_2-0)</sup> <sup>[2.1](https://systems-analysis.info/int/Multi-agent-frameworks#cite_ref-harmony_survey_2-1)</sup> <sup>[2.2](https://systems-analysis.info/int/Multi-agent-frameworks#cite_ref-harmony_survey_2-2)</sup> <sup>[2.3](https://systems-analysis.info/int/Multi-agent-frameworks#cite_ref-harmony_survey_2-3)</sup> Yu, H., et al. «LLMs Working in Harmony: A Survey on the Technological Aspects of Building Effective LLM-Based Multi Agent Systems». *arXiv:2504.01963* \[cs.CL\], 2 апр. 2025 г. <a href="https://arxiv.org/html/2504.01963v1" class="external autonumber" rel="nofollow">[2]</a></span>
3.  <span id="cite_note-agentverse_github-3">[↑](https://systems-analysis.info/int/Multi-agent-frameworks#cite_ref-agentverse_github_3-0) «GitHub - OpenBMB/AgentVerse». *GitHub*. <a href="https://github.com/OpenBMB/AgentVerse" class="external autonumber" rel="nofollow">[3]</a></span>
4.  <span id="cite_note-nvidia_blog-4">↑ <sup>[4.0](https://systems-analysis.info/int/Multi-agent-frameworks#cite_ref-nvidia_blog_4-0)</sup> <sup>[4.1](https://systems-analysis.info/int/Multi-agent-frameworks#cite_ref-nvidia_blog_4-1)</sup> <sup>[4.2](https://systems-analysis.info/int/Multi-agent-frameworks#cite_ref-nvidia_blog_4-2)</sup> «Building Your First LLM Agent Application». *NVIDIA Technical Blog*. <a href="https://developer.nvidia.com/blog/building-your-first-llm-agent-application/" class="external autonumber" rel="nofollow">[4]</a></span>