Ga naar hoofdinhoud
Nederlands— Kies een taal
Menu

Agents vs Chatbots: Wanneer heeft u een agent nodig?

Les 2 van 18 Bijgewerkt op 2 november 2026 Ontwikkelaar
Op deze pagina
  1. Een chatbot is niet altijd voldoende
  2. Chat Completions — Het klassieke model
  3. Agents API — Het autonome model
  4. Wanneer overstappen naar agents?
  5. Het complexiteitsspectrum
  6. Vergelijkend voorbeeld
  7. Kosten en latentie
  8. Belangrijkste punten

Een chatbot is niet altijd voldoende

U heeft waarschijnlijk al de Mistral Chat Completions API gebruikt om conversatie-assistenten te bouwen. Voor veel use cases is dit meer dan voldoende. De verleiding om alles naar agents over te schakelen alleen omdat de technologie nieuwer is, kan duur uitpakken qua latentie en tokenverbruik. Sommige taken vereisen echter meer dan een simpele tekstrespons. Deze les geeft u de beslissingscriteria: hoe u situaties herkent waarin een aanroep van chat.complete() volstaat, en die welke een overstap naar de Agents API echt rechtvaardigen.

Chat Completions — Het klassieke model

Met chat.complete() stuurt u een lijst met berichten en ontvangt u een respons. Het mechanisme is stateless: het model heeft geen geheugen tussen aanroepen door en u moet de geschiedenis voor elk verzoek opnieuw opbouwen.

from mistralai.client import Mistral

client = Mistral(api_key="your-key")

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {"role": "user", "content": "What is the capital of France?"}
    ]
)
print(response.choices[0].message.content)

Dit patroon blijft de juiste keuze voor eenvoudige Q&A, algemene tekstgeneratie (samenvattingen, vertalingen, schrijven), classificatie, informatie-extractie en eenmalige functieaanroepen. Deze taken hebben één gemeenschappelijk kenmerk: het zijn tekst-naar-tekst-transformaties die in één redeneerstap worden opgelost, zonder dat het model iets van buitenaf hoeft op te halen.

Agents API — Het autonome model

Met de Agents API creëert u een persistente agent, uitgerust met instructies, tools en gedrag dat eenmalig wordt gedefinieerd. De agent behoudt zijn staat tussen conversaties door en kan autonoom handelen.

agent = client.beta.agents.create(
    model="mistral-large-latest",
    name="Research Assistant",
    instructions="You are a research assistant. Use web search to answer with sources.",
    tools=[{"type": "web_search"}]
)

Wanneer overstappen naar agents?

Elk van de volgende signalen rechtvaardigt de overstap. Het meest voorkomende is de behoefte aan tools: zodra uw assistent het web moet doorzoeken, code moet uitvoeren of een documentencorpus moet bevragen, dwingt Chat Completions u om de uitvoering zelf te bedraden. Daarna komt state-persistentie: als u wilt dat het model eerdere uitwisselingen onthoudt zonder dat u bij elk verzoek de volledige thread opnieuw verstuurt, regelt de agent dit native. Het aantal stappen is even belangrijk: een respons die een keten van redeneringen met tussenliggende acties vereist, impliceert een lus, en de Agents API implementeert precies die lus. Meerdere specialismen duwen in dezelfde richting: een financiële agent die delegeert aan een webzoek-agent en vervolgens aan een reken-agent, valt onder multi-agent-orchestratie. Houd tot slot rekening met de uitvoeringsomgeving: bij agents draaien tools in de Mistral-cloud, niet op uw infrastructuur.

Blijf daarentegen bij een klassieke chatbot als de taak een simpele tekst-naar-tekst-transformatie is, als u de geschiedenis reeds naar wens client-side beheert, als er geen ingebouwde tools nodig zijn en als één redeneerstap volstaat om het verwachte antwoord te produceren.

Het complexiteitsspectrum

Het helpt om deze keuzes als een continuüm te zien in plaats van een binair alternatief. Op het eerste niveau: simpele chat; een vraag, een antwoord, via Chat Completions. Op het tweede niveau: chat met tools; de vraag activeert een functieaanroep vóór het antwoord, nog steeds met Chat Completions en function calling. Op het derde niveau: de enkele agent; het verzoek leidt tot planning, vervolgens meerdere acties, daarna een antwoord — dit is het domein van de Agents API. Op het vierde niveau: multi-agents; een router-agent verdeelt het verzoek over gespecialiseerde agents waarvan de outputs vervolgens worden gesynthetiseerd, wat de Agents API en handoffs vereist.

De regel die uit dit spectrum volgt is simpel: gebruik het eenvoudigste niveau dat aan uw behoefte voldoet. Zet geen multi-agent-systeem in om FAQ’s te beantwoorden.

Vergelijkend voorbeeld

Het verschil wordt duidelijker met een concreet voorbeeld. Met Chat Completions beheert u alles handmatig en blijft het model beperkt tot zijn trainingskennis.

# You manage everything manually
messages = [{"role": "user", "content": "What is the weather in Paris?"}]
response = client.chat.complete(model="mistral-large-latest", messages=messages)
# The model CANNOT search the web—it hallucinates or says it doesn't know

Met een agent die is uitgerust met webzoekfuncties, activeert dezelfde vraag een echte zoekopdracht en een respons met bronvermelding, zonder dat u ook maar één regel orchestratiecode schrijft.

# The agent has access to web search
agent = client.beta.agents.create(
    model="mistral-large-latest",
    name="Weather Agent",
    instructions="Answer weather questions using web search.",
    tools=[{"type": "web_search"}]
)

response = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="What is the weather in Paris?"
)
# The agent automatically searches the web and cites its sources

Kosten en latentie

Deze kracht heeft een prijs en u moet deze voor productie anticiperen. De latentie neemt toe omdat de agent meerdere interne turns kan uitvoeren — zoeken, dan redeneren, dan opstellen — terwijl Chat Completions er slechts één uitvoert. Het tokenverbruik stijgt ook, omdat systeeminstructies en conversatiecontext bij elke turn opnieuw naar het model worden gestuurd. Tot slot blijven conversaties aan de kant van Mistral bewaard; dit gedrag kunt u uitschakelen met store=False als uw privacyvereisten dat vragen.

Deze overhead is perfect gerechtvaardigd wanneer de taak dat vereist. Voor een simpele FAQ-chatbot is dat niet het geval: blijf bij Chat Completions.

Belangrijkste punten

  • Chat Completions is stateless en voldoende voor eenvoudige taken
  • De Agents API voegt persistentie, ingebouwde tools en multi-agent-orchestratie toe
  • Gebruik altijd het laagste complexiteitsniveau dat aan uw behoefte voldoet
  • De overstap naar agents is gerechtvaardigd wanneer u tools, persistentie of multi-agents nodig heeft