Ga naar hoofdinhoud
Nederlands— Kies een taal
Menu

Wat is een AI-agent?

Les 1 van 18 Bijgewerkt op 3 november 2026 Ontwikkelaar
Op deze pagina
  1. AI-agents: verder dan de simpele chatbot
  2. Wat is precies een agent?
  3. De perceptie-actielus
  4. Mogelijkheden van de Mistral Agents API
  5. Ondersteunde modellen
  6. Wat u zult leren
  7. Belangrijkste punten

Update 2 november 2026 — Modellen. Mistral Large 3 (mistral-large-2512) en Mistral Medium 3.5 zijn op 31 oktober 2026 verouderd geraakt en worden op 30 april 2027 buiten gebruik gesteld. Hun aangewezen opvolger, Mistral Large 4 (mistral-large-4), is sinds 6 oktober beschikbaar in openbare preview. De voorbeelden in deze cursus gebruiken de alias mistral-large-latest, die volgens het officiële specificatieblad momenteel wijst naar Mistral Large 3 (geverifieerd op 3 november 2026). Evenzo wijst mistral-medium-latest naar Mistral Medium 3.5. Deze aliassen blijven geldig tot 30 april 2027. Test voor nieuwe projecten mistral-large-4, hun aangewezen opvolger.

AI-agents: verder dan de simpele chatbot

AI-agents vertegenwoordigen een grote evolutie in hoe we grote taalmodellen gebruiken. Een standaard chatbot ontvangt een vraag, geeft een antwoord en de interactie eindigt: er wordt niets meegenomen naar de volgende oproep en het model heeft geen manier om informatie op te halen die het nog niet kent. Een agent daarentegen is een autonoom systeem dat in staat is om te plannen, acties uit te voeren en een complex doel over meerdere stappen heen na te streven.

Met de Mistral Agents API krijgt u een compleet framework om deze intelligente systemen direct via de API te bouwen. U hoeft geen extra infrastructuur te implementeren of uw eigen orchestratielus te schrijven.

Wat is precies een agent?

Een agent is een door een LLM aangedreven systeem dat begint met instructies op hoog niveau en zelf uitzoekt hoe deze uitgevoerd moeten worden. Het plant eerst een reeks acties: vraagt u het om drie hostingpakketten te vergelijken, dan besluit het elk pakket afzonderlijk te onderzoeken voordat het een samenvatting opstelt. Het gebruikt tools—zoals webzoekopdrachten, code-uitvoering en beeldgeneratie—omdat tekst alleen niet volstaat om een huidige prijs te verifiëren of een berekening te valideren. Het behoudt de status over meerdere beurten heen, zodat de derde vraag van uw gebruiker natuurlijk voortbouwt op de eerste twee zonder dat u de geschiedenis opnieuw hoeft te verzenden. Tot slot werkt het samen met andere agents wanneer een taak zijn specialisme overstijgt: de schrijver is niet per se de rekenmachine.

Het fundamentele verschil met een simpele chat.complete()-oproep komt neer op één woord: de agent maakt een lus. Het analyseert de situatie, besluit tot een actie, observeert het resultaat en herhaalt dit totdat het zijn doel bereikt.

De perceptie-actielus

1

Perceptie

De agent ontvangt een gebruikersverzoek of observeert het resultaat van een eerdere actie.

2

Redeneren

Het LLM analyseert de context en beslist over de volgende stap: een tool aanroepen, delegeren aan een andere agent of reageren.

3

Actie

De agent voert de gekozen actie uit: webzoekopdracht, code-uitvoering, beeldgeneratie of een overdracht aan een andere agent.

4

Observatie

Het resultaat wordt geïntegreerd in de context. De agent beslist of het klaar is of dat het de lus moet voortzetten.

Deze cyclus is niet slechts een didactische abstractie: het is precies wat er gebeurt tussen het moment dat u een verzoek verzendt en het moment dat u een antwoord ontvangt. Concreet, voor de vraag “Welke cloudpakketten passen bij mijn applicatie?”, perceiveert de agent het verzoek, redeneert het dat prijsgegevens ontbreken, onderneemt het actie door een zoekopdracht te starten, observeert het de gevonden pagina’s — en start de lus opnieuw omdat er nog een prestatievergelijking nodig is. De belangrijkste conclusie is de exit-voorwaarde: het model, niet u, beslist wanneer de lus is voltooid.

Mogelijkheden van de Mistral Agents API

De Agents & Conversations API dekt deze volledige cyclus. Het vertrouwt op multimodale modellen die zowel tekst als afbeeldingen verwerken, specifiek mistral-medium-latest en mistral-large-latest. Het behoudt een aanhoudende status: de conversatiegeschiedenis blijft op de server bewaard, zodat u geen eigen berichtenopslag hoeft te implementeren. Het biedt ingebouwde tools die direct klaar voor gebruik zijn—webzoekopdracht, code-interpreter, beeldgeneratie, documentenbibliotheek—zonder dat u zelf uitvoerders hoeft te hosten. Het ondersteunt overdrachten (handoffs), wat betekent dat het de controle kan overdragen van de ene agent aan een andere die gespecialiseerder is. En het laat u de uitvoeringsmodus kiezen: enkel model, enkel agent of multi-agent-orchestratie, afhankelijk van de feitelijke complexiteit van de taak.

Ondersteunde modellen

Vanaf vandaag (april 2026) zijn twee modellen compatibel met de Agents API. mistral-medium-latest biedt een goede balans tussen prestaties en kosten, waardoor het de standaardkeuze is voor de meeste productie-agents. mistral-large-latest is gericht op maximale prestaties bij complexe taken: redeneren in meerdere stappen, multi-agent-orchestratie en lange analyses. Begin met het eerste model en schakel alleen over op het tweede wanneer de kwaliteit van de output dit meetbaar rechtvaardigt.

Wat u zult leren

Deze cursus volgt de natuurlijke voortgang van een project. U begint met het maken en configureren van agents via de Python API, leert vervolgens persistente conversaties met statusbeheer beheren. Daarna maakt u gebruik van de vier ingebouwde tools—webzoekopdracht, code-interpreter, beeldgeneratie en documentenbibliotheek—voordat u multi-agent-workflows met overdrachten orchestreert. De cursus wordt afgesloten met het beveiligen van uw agents met behulp van guardrails, een stap die teams vaak uitstellen maar die essentieel is voor elke productie-implementatie.

Belangrijkste punten

  • Een AI-agent is een autonoom systeem dat in een lus plant, handelt en observeert
  • De Mistral Agents API regelt de orchestratie aan de serverzijde—u hoeft de lus niet zelf te implementeren
  • Agents kunnen tools gebruiken en via overdrachten met elkaar samenwerken
  • Momenteel worden twee modellen ondersteund: mistral-medium-latest en mistral-large-latest