dGEN Productions
Multi-agent systemen, hoe werkt het?

Kennisbank / AI Agents

Multi-agent systemen: hoe werkt het?

Een enkele AI-agent is goed in één specifieke taak. Maar complexe processen bestaan uit meerdere stappen die elk hun eigen expertise vereisen. Dat is waar multi-agent systemen het verschil maken.

Wat is een multi-agent systeem?

Een multi-agent systeem bestaat uit meerdere AI-agents die samenwerken. Elke agent heeft een specifieke rol en specialisatie. Een orchestrator (de "baas") coördineert het werk en stuurt de juiste taak naar de juiste agent.

Analogie: Denk aan een projectteam. De projectmanager verdeelt het werk. De onderzoeker doet research. De schrijver maakt de tekst. De reviewer controleert. Iedereen doet wat hij het beste kan, de projectmanager zorgt dat het samenkomt.

In een multi-agent systeem zijn al deze rollen AI-agents.

Hoe ziet de architectuur eruit?

Trigger (input)
    ↓
Orchestrator Agent
    ↓           ↓           ↓
Research    Data         Schrijf
Agent       Agent        Agent
    ↓           ↓           ↓
        Merger Agent
             ↓
         Eindoutput

De orchestrator ontvangt de opdracht, verdeelt het werk, wacht op de resultaten van de subagents en combineert alles tot één eindresultaat.

Voordelen ten opzichte van één agent

Specialisatie Een research agent is ingericht op zoeken en samenvatten. Een schrijfagent is ingericht op tone of voice en structuur. Elke agent doet wat hij het beste kan, in plaats van één generalist die alles matig doet.

Parallelle uitvoering Subagents werken tegelijkertijd. Stappen die niet op elkaar wachten, lopen naast elkaar, zodat de totale duur dichter bij die van de langste stap ligt dan bij de som van alle stappen.

Betrouwbaarheid Als één subagent faalt, hoeft het hele systeem niet opnieuw te beginnen. Alleen de gefaalde stap wordt herhaald.

Schaalbaarheid Een nieuw type taak toevoegen = een nieuwe subagent toevoegen. De rest van het systeem hoeft niet aan te worden gepast.

Praktijkvoorbeelden

Lead generation pipeline:

  1. Research agent, zoekt bedrijven op basis van criteria
  2. Enrichment agent, haalt KvK-data, LinkedIn-data, website-info op
  3. Scoring agent, beoordeelt elke lead op 5 criteria
  4. Output agent, schrijft gestructureerde output naar Google Sheets

Contentproductie:

  1. Brief agent, analyseert het onderwerp en schrijft een outline
  2. Schrijfagent, schrijft de volledige tekst per sectie
  3. SEO agent, controleert zoekwoorden en meta-informatie
  4. Publicatie agent, uploadt naar CMS met juiste tags

Wanneer kies je voor multi-agent?

Multi-agent systemen zijn zinvol als:

Voor simpele, lineaire taken is één agent met een goede prompt vaak voldoende.

Waarmee bouw je het?

Workflowplatforms zoals n8n hebben een AI Agent-node en subworkflows waarmee je een eenvoudige orchestrator met subagents kunt opzetten. Wij bouwen multi-agent systemen in eigen code: dan bepaal je zelf hoe agents samenwerken, welk geheugen ze delen en welke stappen eerst langs een mens gaan.

Waar gaat het mis bij multi-agent systemen?

Te veel agents. Elke agent die je toevoegt, is een extra plek waar iets mis kan gaan en een extra aanroep die geld kost. Begin met zo weinig mogelijk agents en splits pas als één agent het niet goed doet.

Agents die op elkaar wachten zonder einde. Als twee agents elkaars werk blijven verbeteren, kan een systeem in een lus raken. Zet een maximum op het aantal rondes en een plafond op de kosten per taak.

Geen gedeeld beeld. Als elke agent alleen zijn eigen stuk ziet, kan het eindresultaat tegenstrijdig zijn. De orchestrator moet de belangrijkste afspraken en feiten aan alle agents meegeven, en het eindresultaat controleren.

Geen logboek. Zonder vastlegging weet je achteraf niet welke agent welke beslissing nam. Leg elke stap vast, met de invoer en de uitvoer.

Hoe test je een multi-agent systeem?

Test eerst elke agent apart, met een vaste set voorbeelden waarvan je het goede antwoord kent. Test daarna het geheel met echte opdrachten uit je praktijk, en kijk niet alleen naar het eindresultaat maar ook naar de tussenstappen: deed elke agent wat hij moest doen? Herhaal die tests bij elke wijziging aan een agent, want een kleine aanpassing in de ene agent kan het werk van de volgende veranderen.

Een voorbeeld

Neem een denkbeeldig adviesbureau dat elke maand een marktrapport maakt voor zijn klanten. Een onderzoeksagent verzamelt nieuws en cijfers uit vaste bronnen. Een analyse-agent zet de cijfers naast die van vorige maand en markeert wat opvalt. Een schrijfagent maakt een concept in de stijl van het bureau. Een controle-agent kijkt of elk cijfer in het concept een bron heeft en of de bron het cijfer ook echt noemt. De orchestrator zet het geheel klaar voor de adviseur, met de opvallende punten bovenaan. De adviseur schrijft de conclusie zelf.

Waar begin je?

Met één agent die het hele proces doet. Kijk waar hij steken laat vallen, en geef precies dat deel aan een tweede, gespecialiseerde agent. Zo groeit het systeem op basis van wat nodig is.

Veelgestelde vragen

Is een multi-agent systeem duurder dan één agent? Meestal wel per taak, omdat er meer aanroepen zijn. Het verschil wordt kleiner als je eenvoudige stappen een goedkoper model geeft en alleen het moeilijke werk aan het sterkste model.

Kan ik later een agent vervangen? Ja. Omdat elke agent een eigen taak heeft, kun je er één verbeteren of vervangen zonder de rest aan te passen.

Conclusie

Multi-agent systemen passen bij complexe processen met meerdere stappen die elk een eigen specialisatie vragen. De architectuur is complexer dan één agent, dus kies ervoor als het proces erom vraagt, niet omdat het kan.

Aan de slag

dGEN Productions ontwerpt en bouwt multi-agent systemen, met grenzen en menselijke goedkeuring ingebouwd. Bekijk de dienst AI Agents of plan een gratis gesprek.

Meer over AI Agents

Uit de blog


dGEN Productions, AI-bureau in Veldhoven, regio Eindhoven (Brainport), onderdeel van dGEN Labs. De Run 1141 (1e verdieping, nr. 12), 5503 LB Veldhoven · info@dgenproductions.nl · 06-87413056 · KvK 97916137 (eenmanszaak) · btw NL005295840B15