Zo bouw je een werkende AI-agent zonder je verstand te verliezen
Je kent dat gevoel vast wel: je leest het nieuws over weer een "doorbraak" in AI-agents, opent de repository, en vindt driehonderd regen LangChain-spaghetti code die bij het minste of geringste crasht? Ik kom dit voortdurend tegen. In theorie klinkt alles simpel: geef het model toegang tot tools, en het regelt de rest. In de praktijk krijg je eindeloze hallucinatielussen en tokenrekeningen die sneller groeien dan je begrip van hoe je dit moet debuggen.
Onlangs stuitte ik op de ai-agent-book repository van Bojie Li. Dit is niet zomaar een verzameling links. De auteur schreef een heel boek over agent-ontwerp, van theorie tot harde engineering-praktijk, en releasede het samen met een berg code. Het is alsof iemand alle ervaring uit het bouwen van echte systemen heeft samengepakt in één gids.
Wat is het eigenlijk
Kort samengevat — het is een definitieve gids voor AI-agent-ontwikkelaars. Het project overbrugt een enorme kloof tussen "ik weet hoe ik prompts schrijf" en "ik weet hoe ik betrouwbare systemen bouw." De auteur legt een eenvoudige formule neer: Agent = LLM + Context + Tools. Het hele verhaal is rond dit idee opgebouwd.
Je vindt hier geen onzin over "paradigmaverschuivingen". In plaats daarvan leer je waarom je agent plotseling instructies vergeet na vijf minuten dialoog en hoe je met KV Cache werkt zodat je niet bankroet gaat aan inferentiekosten. Het project is in het Chinees, maar er is een Engelse vertaling, en de code spreekt voor zich in de universele taal van Python.
Belangrijkste functies die je echt goed zult gebruiken
De auteur heeft het project ingedeeld in hoofdstukken, elk met werkende demo's. Hier zijn een paar dingen waardoor ik de tijd vergat terwijl ik in de code dook.
Bouw je eigen Coding Agent vanaf nul
Hoofdstuk vijf bevat een volwaardige implementatie van een code-schrijvende assistent. In tegenstelling tot veel alternatieven hoef je geen twaalf systeemhulpprogramma's te installeren. Alle functionaliteit (zelfs een ripgrep-equivalent) is geschreven in pure Python. Dit is handig: je kunt het op elke machine draaien en direct zien hoe de agent bestanden leest, bewerkt en linters uitvoert.
MCP Protocol in actie
Het project maakt actief gebruik van het Model Context Protocol (MCP). Hoofdstuk vier toont hoe je tools kunt verdelen in感知 (perceptie), 执行 (uitvoering) en 协作 (samenwerking). Er zijn voorbeelden van servers voor bestandssysteemoperaties, webs zoek en zelfs browserbesturing. Als je je hebt afgevraagd hoe je de communicatie van je agents met de buitenwereld kunt standaardiseren, is dit de plek om te kijken.
Context Engineering
Dit is waarschijnlijk het meest nuttige deel. In plaats van alles in het model te dumpen, leert de auteur je om "dynamische vaardigheden" (Agent Skills) te creëren. De agent ziet alleen een korte lijst met mogelijkheden, en pas wanneer het besluit dat het bijvoorbeeld een PPTX-generatievaardigheid nodig heeft, laadt het systeem de volledige documentatie en code voor die tool. Dit bespaart tokens en maakt het gedrag van het model stabieler.
Zelf-evolutie zonder Fine-Tuning
Hoofdstuk acht behandelt een aanpak waarbij de agent leert van zijn eigen successen. Het legt succesvolle ketens van acties vast en zet ze om in nieuwe tools of "ervaringen" die het later ophaalt via een vector database. Dit creëert een laag die het systeem slimmer maakt met elke run, zonder de gewichten van het model te wijzigen.
Hoe het intern is opgezet
Alle code is georganiseerd in mappen chapter1 — chapter10. De architectuur van de voorbeelden is vrij transparant. Het is voornamelijk Python 3.10+ met FastAPI voor netwerkwerk en standaardbibliotheken voor het werken met LLMs.
Het loont de moeite om het kwaliteitsevaluatiegedeelte (hoofdstuk 6) te bekijken. Het bevat niet alleen standaardbenchmarks zoals SWE-bench, maar ook tools voor het analyseren van taakkosten en het meten van time to first token (TTFT). Dit is precies wat bedrijven nodig hebben wanneer ze vragen: "Dus hoeveel gaat dit kosten in productie?"
Waar dit te gebruiken
- Interne tools bouwen. Als je routinetaken in je bedrijf wilt automatiseren (zoals log-parsing of rapportgeneratie), neem dan voorbeelden uit hoofdstuk 5 en 10.
- Teamtraining. De repository werkt prima als lesmateriaal. Je kunt elke week een hoofdstuk doorwerken en bespreken in vergaderingen.
- RAG naar het volgende niveau. Hoofdstuk drie heeft een solide uitleg over hoe je voorbij eenvoudige tekstzoekopdrachten kunt gaan naar kennisgrafieken en gelaagd geheugen.
Wie zou de repository moeten bekijken
Allereerst degenen die al wat hebben gespeeld met eenvoudige chatbots en nu iets autonooms willen bouwen. Als je werkt aan complexe RAG-systemen of probeert AI aan bestaande software te knopen, zullen deze voorbeelden je weken aan duct-tape-engineering besparen.
Er is hier geen kant-en-klare "Maak Het Geweldig"-knop, maar er zijn wel blauwdrukken om er een te bouwen. Het enige nadeel is dat sommige documentatie nog beter gelezen kan worden via een vertaler, maar de codestructuur is zo logisch dat iedereen die Python heeft geschreven er niet in verdwaalt.
<a href="https://star-history.com/#bojieli/ai-agent-book&Date">
Het project heeft al meer dan vijfduizend sterren, en de community vertaalt actief de inhoud. Zeker het bookmarken waard, ook al ben je niet van plan een boek te schrijven — de praktische waarde van deze bronnen weegt op tegen eventuele taalbarrières.
Gerelateerde projecten