Wat is een AI-agent en hoe bouw je een AI-agent met Claude?

Diepgaand artikel Zo bouw je een AI-agent met Claude,en wat hij dan voor je doet 📅 Juni 2025 ⏰ 18 min leestijd Technisch + Praktisch Stel je voor dat je een medewerker kunt aanstellen die nooit moe wordt, altijd bereikbaar is, tientallen systemen tegelijk kan bedienen, en bij elke taak eerst nadenkt voordat hij iets doet. Geen robot die blind scripts uitvoert, maar een redenerend systeem dat keuzes maakt, fouten herkent en bijstuurt. Dat is, kort gezegd, wat een AI-agent is. En met de opkomst van krachtige modellen zoals Claude van Anthropic is het bouwen van zo'n agent geen futuristisch idee meer, maar een concrete vaardigheid die je vandaag kunt toepassen. In dit artikel leg ik van de grond af uit wat een AI-agent precies is, hoe de architectuur werkt, hoe je er zelf een bouwt met Claude, en welke toepassingen echt waardevol zijn. Ik gebruik ook metaforen om de technische concepten te verankeren, zodat het niet alleen logisch klinkt, maar ook voelbaar wordt. Wat is een AI-agent eigenlijk? Een gewone chatbot beantwoordt een vraag. Hij neemt je input, voert een berekening uit, en geeft je output terug. Het is een heen-en-weerbeweging: jij schrijft, hij antwoordt, klaar. Een AI-agent doet veel meer. Hij ontvangt een doel, en bedenkt dan zelf hoe hij dat doel bereikt. Hij kan meerdere stappen plannen, tools gebruiken, de resultaten van die tools verwerken, bijsturen als iets niet werkt, en uiteindelijk een einddoel bereiken zonder dat jij tussendoor hoeft in te grijpen. De detective versus de beantwoorder Een reguliere chatbot is als een encyclopedie: je stelt een vraag, je krijgt een antwoord. Een AI-agent is als een detective. Hij krijgt een zaak, legt verbanden, vraagt getuigen, doorzoekt archiefdossiers, stelt hypotheses bij op basis van nieuw bewijs, en presenteert uiteindelijk zijn conclusie. Het verschil zit in het redeneren over tijd, en het nemen van acties in de wereld. In technische termen onderscheiden we drie lagen van AI-gedrag: Single-turn completions: één prompt, één antwoord. Multi-turn conversations: een gesprek over meerdere berichten, waarbij context bewaard blijft. Agentic workflows: de AI plant, handelt, evalueert, en herhaalt, met minimale menselijke tussenkomst. Dit artikel gaat over die third laag. De anatomie van een agent Een AI-agent bestaat uit een aantal vaste bouwstenen. Begrijp je die bouwstenen, dan begrijp je hoe je er één ontwerpt en verbetert. Architectuur van een AI-agent Doel / Taak → Redenering(LLM: Claude) → Tool-aanroep → Tool-resultaat → Evaluatie ↻ De agent herhaalt de redenering-naar-actie-cyclus totdat het doel bereikt is, of een stopconditie geldt. 1. Het model (de hersenen) Het hart van elke agent is een taalmodel, in dit geval Claude. Het model is verantwoordelijk voor redenering: het neemt de huidige situatie en context in, beslist wat de volgende stap is, en bepaalt welke tool daarvoor nodig is. De kwaliteit van het model bepaalt de kwaliteit van de beslissingen. 2. De tools (de handen) Een agent zonder tools is een brein zonder lichaam: hij kan nadenken, maar niets doen. Tools geven de agent de mogelijkheid om te handelen in de wereld. Denk aan: 🔍 Web search Zoek actuele informatie op via een zoekmachine-API. 📁 Bestandsbeheer Lees, schrijf, of bewerk bestanden op een server of cloudopslag. 📊 Code-uitvoering Voer Python, JavaScript of andere code uit en verwerk de output. 📧 E-mail / Agenda Verstuur berichten of plan afspraken via Gmail, Outlook of CalDAV. 🚀 API-aanroepen Praat met elk systeem dat een REST of GraphQL API heeft. 👓 Database Query een SQL- of NoSQL-database en verwerk de resultaten. 3. Het geheugen (de context) Geheugen bepaalt hoe ver terug de agent kan kijken. Er zijn drie vormen: In-context memory: alles wat in de huidige conversatie staat. Tijdelijk, maar direct beschikbaar. External memory (RAG): een vectordatabase of documentopslag die de agent op aanvraag kan doorzoeken. Procedureel geheugen: instructies en patronen die zijn ingebakken in de systeemprompt. 4. De orkestratie (de regie) Wie beslist wanneer welke tool wordt gebruikt, en wanneer de agent klaar is? Dat is de orkestratielaag. Die kan zowel door het model zelf worden bepaald (via redenering), als door externe logica in je code (een orchestration framework). Bekende frameworks zijn LangChain, LlamaIndex, en Anthropic's eigen agentic API. Een orkest dirigent Stel je de orkestratielaag voor als een dirigent. Hij weet welke instrumenten (tools) beschikbaar zijn, wanneer elke sectie moet inzetten, en hoe de muziek (het werkproces) als geheel klinkt. Zonder dirigent speelt elk instrument op eigen houtje. Met een goede dirigent ontstaat er iets dat groter is dan de som der delen. Hoe Claude denkt: de ReAct-cyclus De meest gebruikte architectuur voor AI-agents is gebaseerd op het ReAct-patroon (Reasoning + Acting). Het model doorloopt steeds dezelfde cyclus: Thought (nadenken) Het model analyseert de situatie en formuleert een redenering: "Om dit te beantwoorden heb ik actuele data nodig. Ik ga zoeken." Action (handelen) Het model roept een specifieke tool aan met de juiste parameters, zoals een zoekterm of een API-endpoint. Observation (waarnemen) De tool retourneert een resultaat: zoekresultaten, databaserijen, een bestandsinhoud. Heroverweging Het model integreert de observatie en besluit: is het doel bereikt? Zo niet, welke actie volgt? Claude is bijzonder goed in dit patroon omdat het model expliciet getraind is op instruktievolging, veiligheid, en betrouwbaarheid, eigenschappen die bij een agent die autonoom acties onderneemt absoluut cruciaal zijn. Technisch: tools definiëren in de Claude API De manier waarop je tools beschikbaar maakt aan Claude is via de tools-parameter in de API. Je beschrijft elke tool als een JSON Schema, en Claude beslist op basis van de situatie welke tool hij aanroept, en met welke argumenten. Python, Anthropic SDK # Een eenvoudige tool definitie voor een weeropvraging tools = [ { "name": "get_weather", "description": "Haal de huidige temperatuur en weersomstandigheden op voor een stad.", "input_schema": { "type": "object", "properties": { "city": { "type": "string", "description": "De naam van de stad, bijv. 'Amsterdam'" } }, "required": ["city"] } } ] # Claude roept de tool aan door een tool_use block te retourneren response = client.messages.create( model="claude-opus-4-6", max_tokens=1024, tools=tools, messages=[{ "role": "user", "content": "Wat is het weer in Utrecht?" }] ) Als Claude besluit de tool te gebruiken, retourneert hij een tool_use-blok met de naam en parameters. Jouw code voert de daadwerkelijke tool-logica uit, stuurt het resultaat terug als een tool_result-bericht, en Claude gaat verder met redeneren. De agentic loop in pseudocode # Basisstructuur van een agentlus messages = [{"role": "user", "content": user_goal}] while True: response = claude_api.call(messages, tools) # Geen toolaanroep meer: agent is klaar if response.stop_reason == "end_turn": print(response.final_text) break # Tool uitvoeren en resultaat toevoegen aan context for block in response.content: if block.type == "tool_use": result = execute_tool(block.name, block.input) messages.append({ "role": "user", "content": [{ "type": "tool_result", "tool_use_id": block.id, "content": result }] }) Dit is de essentie van elke agentimplementatie. De complexiteit groeit wanneer je meerdere tools combineert, geheugen toevoegt, of meerdere agenten laat samenwerken. MCP: het Model Context Protocol Anthropic introduceerde het Model Context Protocol (MCP) als een open standaard waarmee externe systemen, databases, en services zich als tools kunnen aanbieden aan elk AI-model dat het protocol ondersteunt. Denk aan MCP als een universele stekker: elk systeem dat MCP implementeert kan direct worden aangesloten op Claude zonder dat je elke integratie handmatig hoeft te bouwen. USB voor AI-tools Vroeger had elk apparaat zijn eigen aansluiting, en had je een la vol met adapters nodig. USB loste dat op met één universele standaard. MCP doet hetzelfde voor AI-tools: in plaats van elke tool opnieuw te integreren per model of platform, bouw je één MCP-server, en elk model dat MCP begrijpt kan er direct mee communiceren. Populaire MCP-servers bestaan al voor Google Drive, Slack, GitHub, PostgreSQL, Notion, en tientallen andere diensten. In Claude.ai kun je ze rechtstreeks activeren. In je eigen applicatie bouw je een MCP-client en verbind je de gewenste servers. Multi-agent systemen: wanneer één agent niet genoeg is Complexe taken zijn niet altijd geschikt voor één agent. Net zoals in een bedrijf niet één medewerker alles doet, kun je meerdere gespecialiseerde agents laten samenwerken. Dit heet een multi-agent systeem. Een orkestrator-agent ontvangt het hoogste doel en verdeelt het in subtaken, die worden gedelegeerd aan gespecialiseerde subagenten. Elke subagent heeft zijn eigen set tools, kennis en systeemprompt. De orkestrator integreert de resultaten en neemt de eindbeslissing. Een goede systeemprompt is voor een agent wat een functieomschrijving is voor een medewerker: het definieert zijn rol, zijn bevoegdheden, en zijn grenzen. Bij het ontwerpen van multi-agent systemen zijn er twee patronen die je keer op keer tegenkomt: Parallel: meerdere agents voeren tegelijkertijd taken uit (bijv. agent A zoekt concurrentendata op terwijl agent B de eigen financiële data analyseert). Sequentieel: de output van agent A is de input van agent B (bijv. een researchagent levert een samenvatting aan een schrijfagent). Veiligheid en controle: hoe houd je een agent in bedwang? Een agent die autonoom handelt is krachtig, maar ook een bron van risico. Anthropic heeft hier expliciet over nagedacht in de ontwerp van Claude. Een paar principes die je zelf ook kunt toepassen: Minimal footprint: geef de agent alleen de tools en rechten die hij echt nodig heeft. Geen schrijfrechten als hij alleen hoeft te lezen. Human-in-the-loop checkpoints: bij onomkeerbare acties (e-mail versturen, bestanden verwijderen, geld overboeken) vraagt de agent expliciete goedkeuring. Duidelijke stopconditie: definieer wanneer de agent stopt. Een agent zonder duidelijke grenzen kan in een eindeloze lus belanden of onbedoelde neveneffecten veroorzaken. Prompt injection bescherming: een kwaadaardig document of webpagina kan proberen de agent nieuwe instructies te geven. Zorg dat je agent externe content behandelt als data, niet als instructies. De nieuwe stagiair Behandel je AI-agent als een capabele maar nieuwe stagiair. Je geeft hem geen toegang tot de bankrekening op zijn eerste dag. Je controleert zijn werk bij kritieke beslissingen. Je geeft hem heldere grenzen, en verruimt die naarmate hij zijn waarde heeft bewezen. Vertrouwen bouw je op met tijd en bewijs, niet met aannames. Praktische toepassingen: wat bouw je ermee? Hieronder de meest waardevolle toepassingen die vandaag al realistisch zijn, zeker voor MKB en tech-gedreven teams: 📊 Research-automatisering De agent doorzoekt het web, verzamelt bronnen, vat samen en structureert het resultaat in een rapport of presentatie. 🛠 Code-agent Schrijft code, voert tests uit, leest foutmeldingen, past code aan, en herhaalt totdat alle tests slagen. Claude Code is hier het beste voorbeeld van. 📩 Inbox-management Categoriseert e-mails, beantwoordt standaardvragen, escaleert urgente zaken, og houdt een actielijst bij. 📋 CRM-assistent Verrijkt contacten met LinkedIn-data, schrijft follow-up e-mails, en logt gespreksverslagen automatisch weg. 🤖 Klantenservice-bot Doorzoekt kennisbanken, koppelt aan ordersystemen, geeft persoonlijk antwoord en escaleert naar mens indien nodig. 🚀 CI/CD-pipeline agent Monitort builds, analyseert testfouten, stelt patches voor en creëert automatisch een pull request met uitleg. 🔍 Data-monitoring Bekijkt dagelijks dashboards, detecteert anomalieën, stuurt automatisch een Slack-bericht met een interpretatie en aanbeveling. 📝 Contentpipeline Trekt actualiteiten op, schrijft conceptartikelen, past tone of voice aan, en plaatst klaar-voor-review in je CMS. Stap voor stap: je eerste agent bouwen Wil je vandaag beginnen? Hier is het minimale pad van nul naar je eerste werkende agent. Kies één concreet probleem Begin niet met een alles-in-één-oplossing. Kies één taak die repetitief, tijdrovend, en goed omschrijfbaar is. Bijv: "Haal dagelijks de top 5 concurrent-blogposts op en vat ze samen in drie regels per post." Maak een Anthropic API-account aan Ga naar console.anthropic.com, genereer een API-sleutel, en installeer de Python of JavaScript SDK. Je kunt al beginnen met de gratis tier. Definieer je tools als JSON Schema Beschrijf elke tool met een naam, beschrijving en inputschema. Wees specifiek in de beschrijvingen: Claude gebruikt die om te beslissen wanneer hij de tool inzet. Schrijf een heldere systeemprompt Geef de agent een duidelijke rol, doel en grenzen. "Jij bent een research-assistent. Je taak is... Je mag alleen de volgende tools gebruiken... Vraag bevestiging voordat je iets publiceert." Bouw de agentic loop Implementeer de while-lus die tool_use blokken detecteert, de tool uitvoert, en het resultaat terugkoppelt. Begin simpel, voeg daarna logging en foutafhandeling toe. Test met edge cases Wat doet de agent als een tool faalt? Als de data niet beschikbaar is? Als de vraag onduidelijk is? Test actief op de onverwachte paden, niet alleen op het successcenario. Claude versus andere modellen als agent Er zijn meerdere LLMs die je als basis kunt gebruiken voor een agent. Claude onderscheidt zich op een paar punten die bij agenten bijzonder relevant zijn: Instruktievolging: Claude is getraind om precies te doen wat je vraagt, niet meer en niet minder. Bij autonome agents is dit cruciaal om ongewenst gedrag te vermijden. Long context window: Claude Opus 4.6 ondersteunt grote contextvensters, waardoor meer tools, geschiedenis en documenten tegelijk in context passen. Tool use betrouwbaarheid: Claude roept tools aan met goed gestructureerde parameters en handelt consistent, ook bij complexere toolaanroepen. Veiligheidsoriëntatie: Claude weigert uit zichzelf onomkeerbare acties zonder bevestiging, en herkent prompt-injectiepatronen beter dan veel concurrerende modellen. Het verschil tussen een chatbot en een agent is het verschil tussen een consultant die advies geeft en een medewerker die ook daadwerkelijk de klus uitvoert. De toekomst: agents die samenwerken met mensen De meest waardevolle agents zijn niet de agents die mensen vervangen, maar die mensen versterken. Het patroon dat de meeste waarde oplevert is human-in-the-loop automatisering: de agent neemt routinewerk over, bereidt beslissingen voor, en legt complexe of risicovolle keuzes voor aan de mens. Naarmate vertrouwen groeit, kunnen die checkpoints verschoven worden. Wat vandaag goedkeuring nodig heeft, kan morgen autonoom draaien. Dat is de praktische weg naar productief gebruik van agents: incrementeel, op basis van bewezen betrouwbaarheid. Wat zeker is: de organisaties die nu investeren in het begrijpen en inzetten van agentic AI, bouwen een voorsprong op die moeilijk in te halen is. Niet omdat ze de technologie kopen, maar omdat ze de ervaring opbouwen om die technologie effectief te sturen. Samenvatting Alles over AI-agents met Claude, compact Een AI-agent is een autonoom systeem dat op basis van een doel zelf stappen plant, tools gebruikt, resultaten evalueert, en bijstuurt totdat het doel bereikt is. Anders dan een gewone chatbot, die enkel reageert, handelt een agent proactief in de wereld. De architectuur van een agent bestaat uit vier onderdelen: een taalmodel (de hersenen, in dit geval Claude), tools (de handen), geheugen (in-context of extern via RAG), en een orkestratielaag die de cyclus aanstuurt. De dominante redeneerstructuur is het ReAct-patroon: Think, Act, Observe, herhalen. In de Claude API definieer je tools via JSON Schema. Claude besluit autonoom welke tool hij aanroept, jouw code voert de tool uit en koppelt het resultaat terug. Dit is de kern van de agentic loop. Voor standaard-integraties biedt Anthropic's Model Context Protocol (MCP) een universele plug-and-play standaard. Veiligheid is cruciaal: geef agents minimale rechten, bouw human-in-the-loop checkpoints in bij onomkeerbare acties, en bescherm je systeem tegen prompt injection. Claude scoort op al deze punten sterk door zijn instruktievolging, lange context, en ingebakken veiligheidsoriëntatie. Praktische toepassingen zijn er volop: research-automatisering, code-agents, inbox-management, CRM-verrijking, en data-monitoring zijn vandaag realistisch en waardevol. Begin klein, met één concreet probleem, en schaal op zodra vertrouwen en betrouwbaarheid bewezen zijn. AI agent bouwen Claude Anthropic agentic AI tool use Claude API MCP protocol ReAct patroon AI automatisering multi-agent systeem technologyfirst.nl LLM orchestratie

Wat is een AI-agent en hoe bouw je een AI-agent met Claude?

Reacties 1

Meer tech artikelen

AI bouwt AI: Claude leidt nu een kwart van het onderzoek bij Anthropic

Switch 2 haalt de achterstand in: VRR komt eindelijk naar de tv

Apple vouwt open: de iPhone Duo en een lineup zonder instapmodel