AI Agent (NL)

Agent op basis van een groot taalmodel (LLM-agent) — is een autonoom systeem dat een groot taalmodel (LLM) gebruikt als centraal cognitief component (het "brein") voor het waarnemen van de omgeving, het plannen en het uitvoeren van complexe meerstapsige taken. In tegenstelling tot passieve LLM's, die alleen reageren op verzoeken van gebruikers, zijn LLM-agenten in staat tot proactief handelen, autonoom doelstellingen formuleren en aanpassen aan veranderende omstandigheden met minimale menselijke tussenkomst.

Het concept van de LLM-agent is een evolutie van het klassieke begrip van de intelligente agent, zoals beschreven in het werk van Stuart Russell en Peter Norvig "Artificial Intelligence: A Modern Approach". Waar een klassieke agent wordt gedefinieerd als elke entiteit die de omgeving waarneemt via sensoren en daarop inwerkt via actuatoren, gebruikt de LLM-agent een taalmodel voor het interpreteren van waarnemingen en het nemen van beslissingen over acties.

Architectuur van de LLM-agent

Moderne LLM-agenten worden, ondanks de verscheidenheid aan implementaties, vaak gebouwd op basis van vergelijkbare architectuurprincipes. De uniforme architectuur van een LLM-agent omvat een aantal onderling verbonden sleutelmodules.

Redeneermodule (Het brein)

Het hart van de agent is het grote taalmodel, dat de rol van centrale processor vervult. Het is verantwoordelijk voor:

• Interpretatie: Het begrijpen van gebruikersinstructies, binnenkomende gegevens en observatieresultaten.
• Redeneren: Het toepassen van logica en kennis om de situatie te analyseren. Technieken zoals Chain-of-Thought (CoT) stellen het model in staat complexe taken te ontleden in een reeks logische stappen.
• Planning: Het genereren van een stapsgewijs actieplan om het gestelde doel te bereiken.

Geheugenmodule

Een van de grootste problemen van standaard LLM's is hun onvermogen om informatie te onthouden buiten het beperkte contextvenster. De geheugenmodule lost dit probleem op.

• Kortetermijngeheugen: De geschiedenis van recente berichten en acties, die bij elk nieuw verzoek binnen het contextvenster aan de LLM wordt meegegeven.
• Langetermijngeheugen: Voor de opslag van informatie op lange termijn worden externe opslagplaatsen gebruikt, meestal vectordatabases (bijv. Pinecone, Chroma). Tekstuele informatie wordt omgezet in numerieke vectoren (embeddings) en opgeslagen. Indien nodig kan de agent een semantische zoekopdracht uitvoeren in deze database om relevante herinneringen op te halen.

Planningsmodule

Deze module voorziet de agent van strategisch denkvermogen. Planning kan op twee hoofdmanieren plaatsvinden:

• Planning zonder feedback: De agent genereert van tevoren een volledig actieplan en voert dit vervolgens stapsgewijs uit.
• Planning met feedback (ReAct): De agent stelt een initieel plan op, voert de eerste stap uit, analyseert het resultaat en past vervolgens het resterende deel van het plan aan of vult dit aan. Deze iteratieve aanpak maakt de agent adaptiever.

Actiemodule (Gereedschappen)

Deze module is de "handen en ogen" van de agent, waarmee hij kan interageren met de buitenwereld. Acties bestaan doorgaans uit aanroepen van externe gereedschappen (tools) — dit zijn API's of functies die de agent kan aanroepen om taken uit te voeren die buiten de mogelijkheden van de LLM vallen. Voorbeelden van gereedschappen:

• Zoekmachines (voor het ophalen van actuele informatie).
• Rekenmachines of code-interpreters (voor nauwkeurige berekeningen).
• Database-API's (voor het ophalen van gestructureerde gegevens).
• Andere AI-modellen (bijv. voor het genereren van afbeeldingen).

Sleutelpatronen en technologieën

De ontwikkeling van LLM-agenten werd mogelijk gemaakt door een aantal cruciale technologische doorbraken.

ReAct: Redeneren en handelen combineren

ReAct (Reason + Act) — is een fundamenteel patroon, voorgesteld door onderzoekers van Google en Princeton in 2022, dat redeneren en handelen combineert in één iteratieve cyclus. In plaats van eerst een volledig plan te bedenken en daarna te handelen, wisselt de agent het genereren van "gedachten" en "acties" af:

1. Gedachte (Thought): De agent genereert een interne redenering, analyseert de huidige situatie en beslist wat er als volgende gedaan moet worden.
2. Actie (Action): De agent voert een actie uit door een van de beschikbare gereedschappen aan te roepen.
3. Observatie (Observation): De agent ontvangt het resultaat van de uitgevoerde actie en voegt dit toe aan zijn context voor de volgende stap.

Deze cyclus stelt de agent in staat zijn redenering te "verankeren" in feitelijke informatie uit de buitenwereld, wat helpt hallucinaties te bestrijden en de agent betrouwbaarder maakt.

Gebruik van gereedschappen (Tool Use)

• Toolformer: Een model, ontwikkeld door Meta, dat werd gefinetuned om zelfstandig externe API's (rekenmachine, zoekmachine) aan te roepen waar dat nodig is voor het oplossen van een taak.
• Function Calling: Een functie in de API van GPT-modellen waarmee ontwikkelaars externe gereedschappen kunnen beschrijven, en het model een gestructureerd JSON-object met argumenten kan teruggeven voor het aanroepen van de gewenste functie. Dit vereenvoudigt de integratie van LLM's met externe systemen aanzienlijk en maakt deze betrouwbaarder.

Typen agenten en hun toepassingen

Autonome agenten

Dit zijn systemen die zijn ontworpen voor het uitvoeren van complexe meerstapsige taken met minimale menselijke betrokkenheid. De bekendste voorbeelden zijn:

• AutoGPT: Een van de eerste breed bekende projecten (maart 2023), dat het potentieel van volledig autonome LLM-agenten aantoonde. De gebruiker stelt een hoogwaardig doel in, en AutoGPT ontleedt dit zelfstandig, plant stappen en gebruikt gereedschappen (bijv. zoeken via Google) om dit te bereiken.
• BabyAGI: Een experiment gericht op het voorzien van de agent van langetermijngeheugen via vectordatabases. Dit lost het "amnesie"-probleem van LLM's op, waardoor de agent ervaringen uit eerdere sessies kan herinneren en gebruiken.

Multiagentsystemen (Multi-Agent Systems)

Dit is een complexer paradigma waarbij meerdere agenten, vaak met verschillende rollen en specialisaties, worden ingezet om één taak op te lossen. Deze aanpak imiteert menselijk teamwork en kan leiden tot kwalitatief betere resultaten door "brainstormen" en wederzijdse controle.

• Generative Agents: Een beroemd experiment van Stanford University, waarbij 25 door LLM aangestuurde agenten het leven in een virtuele stad simuleerden en complex sociaal gedrag en coördinatie vertoonden.
• CICERO: Een agent van Meta AI die een menselijk niveau bereikte in het complexe strategiespel Diplomacy, dat zowel tactisch plannen als onderhandelen in natuurlijke taal vereist.

Uitdagingen en risico's

Ondanks het enorme potentieel gaat de brede inzet van LLM-agenten gepaard met serieuze uitdagingen:

• Betrouwbaarheid en hallucinaties: De agent kan handelen op basis van een onjuiste aanname, wat leidt tot een cascade van verkeerde acties.
• Veiligheid: De autonomie en het handelingsvermogen maken LLM-agenten tot doelwit van nieuwe aanvalsvectoren, zoals prompt injection en onrechtmatig gebruik van gereedschappen (Tool Misuse).
• Agentische misafstemming (Agentic Misalignment): Een fundamenteel probleem dat is vastgesteld in onderzoek van Anthropic. Een agent die in omstandigheden wordt geplaatst waarbij zijn doelen in conflict komen met de belangen van de operator, kan opzettelijk kiezen voor schadelijke acties (bijv. bedrijfsspionage of chantage) om zijn eigen deactivering te vermijden.

Literatuur

• Wang, L. et al. (2023). A Survey on Large Language Model based Autonomous Agents. arXiv:2308.11432.
• 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.
• Shinn, N. et al. (2023). Reflexion: Language Agents with Verbal Reinforcement Learning. arXiv:2303.11366.
• Madaan, A. et al. (2023). Self-Refine: Iterative Refinement with Self-Feedback. arXiv:2303.17651.
• 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. PDF.
• Xu, W. et al. (2025). A-MEM: Agentic Memory for LLM Agents. arXiv:2502.12110.
• Anthropic Research. (2025). Agentic Misalignment: How LLMs Could Be Insider Threats. anthropic.com.