Een AI-agent bouwen

Een AI-agent bouwen: lus, tools, geheugen, guardrails | We.Inc

Bouw een AI-agent vanaf de basis: de lus van beslissen, handelen en observeren, tooldefinities, geheugen, staplimieten, menselijke goedkeuring en tests. Inclusief een stappensimulator.

Een AI-agent bouwen

Een AI-agent is een lus. Een taalmodel leest het doel en alles wat er tot nu toe is gebeurd, en roept dan een van de tools aan die u hebt gedefinieerd of geeft een eindantwoord. Uw code voert de tool uit, voegt het resultaat toe en vraagt opnieuw. Staplimieten, rechten, menselijke goedkeuring en tests houden die lus veilig.

De vijf onderdelen van een agent

  • Onderdeel
  • Wat u bouwt
  • Wat er misgaat zonder
  • Lus
  • Code die het model aanroept, tools uitvoert en herhaalt
  • Na het eerste antwoord gebeurt er niets meer
  • Tools
  • Functies met een naam, een beschrijving en een invoerschema
  • Het model kan alleen praten, niet handelen
  • Geheugen
  • Het lopende transcript, plus eventuele notities die tussen runs worden bewaard
  • Het model herhaalt aanroepen die het al heeft gedaan
  • Guardrails
  • Stap- en kostenlimieten, minimale rechten, goedkeuring voor risicovolle acties
  • Op hol geslagen lussen, onverwachte rekeningen, schadelijke acties
  • Evaluatie
  • Vaste testtaken met controles die u na elke wijziging opnieuw draait
  • U hoort pas van gebruikers dat iets achteruit is gegaan

Start de simulator om één taak door de lus te zien gaan. Zet goedkeuring uit en aan om te zien waar een guardrail een risicovolle stap onderbreekt. Het verloop is vooraf uitgeschreven zodat u het kunt bestuderen; een echte run zou bij elke beslisstap een model raadplegen.

  • Druk op Volgende stap om de lus zet voor zet vooruit te laten gaan.
  • Lees elke regel: beslissen is het model dat kiest, handelen is uw code die een tool uitvoert, observeren is het resultaat dat aan het geheugen wordt toegevoegd.
  • Schakel goedkeuring voor send_email om en draai opnieuw om de twee verlopen te vergelijken.
  • Druk op Opnieuw om vanaf het begin te starten.
  • Begin met één tool en één taak. Voeg alleen tools toe als een testtaak faalt omdat er een ontbreekt, want elke extra tool is weer een keuze die het model fout kan maken.
  • Houd toolresultaten kort en feitelijk. Het hele transcript gaat bij elke stap terug naar het model, dus lange resultaten kosten geld en begraven wat ertoe doet.
  • Zet rechtencontroles in de toolcode, niet in de instructies. Een model kan van een instructie worden afgepraat; een controle die uw functie afdwingt kan het niet omzeilen.
  • Log elke stap met invoer, uitvoer en kosten. Gaat een run mis, dan is de log de enige manier om te zien welke beslissing fout was.

Veelgestelde vragen

Heb ik een framework nodig om een agent te bouwen?

Nee. De kern is een while-lus rond één modelaanroep en een switch over toolnamen, zoals het voorbeeld op deze pagina laat zien. Frameworks voegen retries, tracing en integraties toe, wat later helpt maar de lus verbergt terwijl u aan het leren bent.

Hoe roept het model een tool aan?

U stuurt bij elk verzoek tooldefinities mee. Wil het model er een gebruiken, dan antwoordt het met de toolnaam en argumenten in plaats van gewone tekst. Uw code voert de functie uit en stuurt het resultaat terug als volgend bericht.

Wat is het verschil tussen geheugen en context?

Context is wat het model bij deze aanroep ziet: instructies, het doel en het transcript tot nu toe. Geheugen is alles wat u opslaat en later bewust weer in de context zet, zoals notities van een eerdere run.

Hoe voorkom ik dat een agent eindeloos doorloopt?

Begrens het aantal stappen en de totale uitgaven, en beëindig de run met een duidelijk bericht zodra een van beide is bereikt. OWASP noemt Unbounded Consumption bij zijn risico's van 2025 voor applicaties die op taalmodellen zijn gebouwd.

Hoe test ik een agent?

Schrijf een reeks vaste taken met controleerbare uitkomsten: de juiste tool is aangeroepen, een risicovolle actie wachtte op goedkeuring, het eindantwoord bevat een bedrag. Draai de reeks na elke wijziging aan prompt of tool en vergelijk het aantal geslaagde taken.

Guardrails die echt standhouden

  • De lijst van OWASP uit 2025 noemt Excessive Agency een kernrisico en voert het terug op drie oorzaken: te veel functionaliteit, te veel rechten en te veel autonomie. Elk daarvan heeft een oplossing die u in code in de hand hebt.
  • Geef de agent alleen de tools die de taak nodig heeft, geef elke tool de beperktste credentials die werken, en laat een mens acties met grote impact goedkeuren, zoals versturen, betalen of verwijderen. Controleer autorisatie in het systeem dat de tool aanroept, in plaats van erop te vertrouwen dat het model zich gedraagt.

Onbetrouwbare tekst is het grootste aanvalsoppervlak

  • Alles wat een tool ophaalt, zoals een webpagina, een e-mail of een bestand, kan instructies bevatten die op uw model zijn gericht. OWASP noemt dit indirect prompt injection.
  • Markeer opgehaalde inhoud duidelijk als data, houd die gescheiden van uw eigen instructies en laat tekst uit een toolresultaat nooit uit zichzelf een krachtigere tool ontgrendelen. Menselijke goedkeuring voor bevoorrechte stappen is het vangnet als de andere verdedigingen falen.

De lus in gewoon JavaScript

Geen framework en geen SDK van een leverancier. callModel is een stub die vaste beslissingen afspeelt zodat het bestand meteen draait; vervang hem door een verzoek aan de modeldienst die u gebruikt.

Tools staan in één object, risicovolle tools vereisen goedkeuring, en de lus stopt bij een staplimiet. Draai het met node agent.mjs.

Risico's om rekening mee te houden in het ontwerp

Onderdelen van de OWASP Top 10 for LLM Applications 2025 die voor agents het zwaarst wegen

  • Risico
  • Hoe het zich in een agent toont
  • Oplossing in code
  • LLM01:2025 Prompt Injection
  • Een opgehaalde pagina zegt het model uw data ergens anders heen te mailen
  • Scheid onbetrouwbare inhoud, laat bevoorrechte acties goedkeuren
  • LLM06:2025 Excessive Agency
  • De agent kan records verwijderen die hij alleen hoefde te lezen
  • Minder tools, beperkte credentials, goedkeuring bij grote impact
  • LLM10:2025 Unbounded Consumption
  • Een lus probeert de hele nacht een falende tool opnieuw
  • Staplimiet, uitgavenlimiet, timeouts, rate limits
  • LLM05:2025 Improper Output Handling
  • Modeluitvoer wordt ongecontroleerd in SQL of HTML geplakt
  • Valideer en escape vóór elk verder gebruik

Doel: vind de goedkoopste van drie offertes van leveranciers en mail de samenvatting naar de officemanager.

Model kiest read_quotes om te zien wat er binnen is.

Code voert read_quotes() uit en geeft drie bestanden terug.

Resultaat toegevoegd aan geheugen: A $1,240, B $1,180, C $1,315.

Model heeft wat het nodig heeft en kiest send_email met een conceptsamenvatting.

send_email is gemarkeerd als grote impact, dus de run pauzeert tot een mens het concept goedkeurt.

Goedgekeurd. Code voert send_email() uit met de goedgekeurde tekst.

Resultaat toegevoegd aan geheugen: bericht verstuurd.

Model geeft een eindantwoord: offerte B is het goedkoopst met $1,180; samenvatting verstuurd. 3 modelaanroepen, onder de limiet van 10 stappen.

Model kiest read_quotes om te zien wat er binnen is.

Code voert read_quotes() uit en geeft drie bestanden terug.

Resultaat toegevoegd aan geheugen: A $1,240, B $1,180, C $1,315.

Model heeft wat het nodig heeft en kiest send_email met een conceptsamenvatting.

Geen goedkeuringsregel, dus de code verstuurt het concept meteen. Niemand heeft het eerst gezien.

Resultaat toegevoegd aan geheugen: bericht verstuurd.

Model geeft een eindantwoord. Deze keer ging het goed, maar een verkeerd bedrag of een geïnjecteerde instructie was ook ongecontroleerd de deur uitgegaan.

Beslissen

Handelen

Observeren

Guardrail

Klaar

Simulator van de agentlus

Volgende stap

Opnieuw

Goedkeuring vereisen vóór send_email

Stap {n} van {v}

Run voltooid.

nog niet bereikt

Bouw je site gratis · Gratis bouwen, geen kaart nodig

Gerelateerd: Gidsen

Product

Voor wie

Functies

Bronnen

Bedrijf

Sitemap