Agent versus chat: de doel → plan → actie loop

Alles wat je tot nu toe hebt bestudeerd, was een dialoog: jij vraagt → het antwoordt → jij beslist wat de volgende stap is. Een agent neemt het „wat is de volgende stap” voor zichzelf. In de vorige les zijn we een werkdefinitie van een agent overeengekomen; nu gaan we het mechanisme ontleden waarop de hele cursus rust — de loop.

De agent loop

1. Doel: „vind 10 geschikte advertentieplekken en verzamel hun prijzen in een tabel”.
2. Plan: de agent breekt het doel op in stappen: zoek naar plekken → open elke plek → vind de tariefkaart → schrijf het op.
3. Actie: het roept een tool aan — een externe bewerking die beschikbaar is voor het model: zoeken, een pagina lezen, naar een sheet schrijven. Tools zijn de „handen” die de chat van 2022 miste.
4. Observatie: het krijgt het resultaat van de actie en evalueert: werkte het? is er genoeg data? Het resultaat van elke actie wordt letterlijk een observatie genoemd.
5. Herhaal — vanaf stap 2, totdat het doel is bereikt (of de beurtlimiet wordt overschreden — een beveiliging tegen eindeloze loops, behandeld in de module over betrouwbaarheid).

Het belangrijkste verschil met chat: het model neemt de beslissingen binnen de loop, niet jij. Jij stelt het doel, de grenzen en de tools in — de agent bouwt zelf de route.

Een mini-trace: drie beurten door de ogen van de agent

Zo ziet de loop er van binnen uit — bij onze taak met de advertentieplekken:

• Beurt 1. Gedachte: ik heb een lijst met plekken nodig. Actie: zoek „adverteren in kookblogs”. Observatie: 12 links, 7 lijken blogs.
• Beurt 2. Gedachte: open de eerste. Actie: open link #1. Observatie: de pagina kon niet laden — fout.
• Beurt 3. Gedachte: dode link — markeer hem, neem de volgende. Actie: open link #2. Observatie: er is een „Adverteren”-pagina met een prijs. Ik schrijf het naar de tabel.

Kijk naar beurt 2: de tool gaf een foutmelding — en de agent paste het plan aan in plaats van koppig door te gaan. Observatie is wat de loop levend maakt. Herinner je AutoGPT van de vorige les nog? Het faalde precies hier: het overtuigde zichzelf dat de stap was gelukt en sleepte het verzonnen „succes” mee naar de volgende beurten.

Een agent is geen nieuw model

Laten we de magie wegnemen: binnenin een agent draait hetzelfde taalmodel als in chat. Het verschil zit in het omhulsel eromheen: de loop, de tools en het geheugen (wat de agent tussen beurten bewaart — een aparte les volgt nog). De agent erft dus alle zwakheden van het model: het kan fouten maken, het kan dingen „zien” die er niet zijn. En de loop versterkt zowel vaardigheden als fouten: een verkeerde observatie in beurt 2 wordt de input voor beurt 3.

Het antwoord: een chat moet alles in één keer leveren, terwijl een agent kan proberen, naar het resultaat kijken en zichzelf corrigeren. Niet meer intelligentie — meer pogingen, en elke volgende poging leunt op de realiteit (observaties), niet op een gok.

Je hebt al agents gezien

• Diepgaand onderzoek — een zoekagent: het plant zoekopdrachten, leest bronnen, stelt een rapport samen. De loop: zoekopdracht → lezen → „wat ontbreekt er?” → nieuwe zoekopdracht.
• Coding agents (Claude Code, Replit en anderen) — ze schrijven code, voeren die uit, zien de fout, lossen die op. Het uitvoeren van de code is hun „observatie”.
• De agent node in n8n — de automatiseringsbouwer die ons platform in een aparte cursus behandelt: de node beslist zelf of hij de sheet controleert of een zoekopdracht uitvoert.

Elke keer hetzelfde patroon — nu ken je de naam en zie je de loop.

Wanneer je een agent nodig hebt, en wanneer een chat of workflow volstaat

• Een antwoord in één stap → een chat.
• Een vaste keten van stappen → een workflow (pijlen in n8n): een mens schreef de route van tevoren — goedkoper en voorspelbaarder.
• Stappen onbekend van tevoren, afhankelijk van bevindingen → een agent.

De klassieke beginnersfout is een agent gebruiken waar een workflow zou volstaan. Een agent is niet „cooler” — het is „flexibeler tegen een prijs”: elke beurt is een aparte modelaanroep, dus het is duurder, langzamer, minder voorspelbaar. Een hele les is gewijd aan deze keuze — direct na de kaart met toepassingen.

Sandbox: voel het verschil met je handen

Stuur twee prompts na elkaar en vergelijk. Eerst een gewone chat:

Answer in one paragraph: how do I plan a new product launch?

Laat het model nu een agent nabootsen:

Act as an autonomous agent. GOAL: plan a new product launch.
Work in a loop: Thought → Action (tool call) → Observation.
Tools are imaginary only: search(query), calendar_add(event),
send_email(to, text). Show 5 turns of the loop, invent plausible
observations. After turn 5 — STOP and a brief summary: done vs remaining.

Het contrast tussen het eerste en het tweede antwoord is de definitie van een agent: niet „een antwoord” maar „werk in een loop”.

Doe het nu

Voer beide sandbox prompts uit. Zoek in het tweede antwoord een beurt waarin een observatie het plan veranderde. Als die er niet is — voeg de regel „on turn 3 the tool returns an error” toe aan de prompt en kijk hoe het model een andere route kiest.