Les 14: Agents — LLM in een loop met tools

✅ Deze les is volledig uitgewerkt

Lesmateriaal

Deel

Deel 3 — AI Development (Les 11-16)

Beschrijving

We gaan een stap verder dan multi-step tool calling. Een agent kan 20-50 stappen autonoom uitvoeren, eigen plannen maken en dynamisch bijsturen. We bouwen een research-agent from scratch met ToolLoopAgent, stopWhen en prepareStep.

Te Behandelen

Theorie

Wat is een agent eigenlijk? (LLM + loop + tools + stopconditie)
Wanneer wel/niet een agent gebruiken
AI SDK v6 agent-primitives: ToolLoopAgent, stopWhen, prepareStep
prepareStep: dynamisch model + tools per stap wisselen
Cost & latency van agents — wat moet je weten?

Live demo's

Setup nieuwe research-agent (los project)
Tools: webSearch, fetchPage, summarize, writeReport
stopWhen: stepCountIs(20) + hasToolCall("writeReport")
prepareStep om Sonnet te gebruiken voor summarize, Haiku voor search
Live: vraag de agent een onderwerp te onderzoeken

Tools

Vercel AI SDK v6 (ToolLoopAgent, stopWhen, prepareStep)
Tavily of Exa API voor web search
Anthropic + OpenAI providers

Lesopdracht (in-class, 60 min)

Studenten kijken mee. In-class oefening:

Voeg een eigen tool toe aan de research-agent
Tweak de stopconditie: laat de agent na 5 minuten stoppen
Bekijk de trace: welke stappen koos de agent?

Inleveren: Screenshot van werkende agent-loop.

Huiswerk (take-home)

Bouw je eigen agent voor een eigen use-case:

Minimaal 3 tools
Slimme stop-conditie
prepareStep voor model-routing
Reflectie 500 woorden: kan dit ook met gewone tool calling?

Inleveren: GitHub URL via Teams.

Leerdoelen

Na deze les kan de student:

Het verschil uitleggen tussen tool calling en een agent
Een agent opzetten met ToolLoopAgent en custom tools
Een doordachte stopconditie schrijven met stopWhen
Modellen dynamisch routen per stap via prepareStep
Inschatten wanneer een agent de juiste oplossing is

2.3 KiB Raw Blame History