Snijdt door de multi-agent hype heen. De industrieconsensus van 2026, de 15× tokenkost, de vier prompt patterns en een 45-minuten FlowHunt-tutorial die het consensuspatroon gebruikt.
Een multi-agent AI-systeem is een netwerk van AI-agents die samenwerken om een probleem op te lossen. Maar de architectuur die in 2026 daadwerkelijk wordt uitgerold, is smaller dan het buzzword suggereert: één orchestrator bezit de volledige conversatiecontext en spawnt kortlevende geïsoleerde subagents die alleen een gecomprimeerde samenvatting teruggeven. Anthropic, Cognition, OpenAI, AutoGen-via-Microsoft Agent Framework en LangChain zijn allemaal op dit patroon uitgekomen. Peer collaboration “GroupChat”-ontwerpen—waarbij workers rechtstreeks met elkaar praten—hebben stilletjes terrein verloren.
Dit artikel doet drie dingen. Ten eerste legt het het orchestrator + subagent-patroon uit en waarom de industrie erop is uitgekomen. Ten tweede neemt het de kostenrealiteit door: Anthropic’s gemeten ~15× tokenpremie en de papers uit 2026 die laten zien dat single-agent systemen bij gelijke tokenbudgetten multi-agent evenaren of verslaan. Ten derde laat het zien hoe je het consensuspatroon in FlowHunt bouwt zonder code te schrijven.
Er zijn eigenlijk maar twee architecturen die het vergelijken waard zijn, en de meeste marketingmaterialen vermengen ze.
Peer collaboration. Meerdere agents draaien gelijktijdig en communiceren via een gedeelde bus. Ze kunnen elkaar vragen stellen, taken overdragen via handoff en elkaar wakker maken. Een supervisor bemiddelt maar bezit niet als enige de context. AutoGen GroupChat, CrewAI hiërarchisch en elk ontwerp van het type “team van agents op een stream” valt hieronder. De kosten zijn reëel: elke wakeup herleest het volledige transcript, de system prompt draagt bij elke call een lang coördinatieprotocol mee en communicatierelaties schalen met O(n²).
Orchestrator + geïsoleerde subagents. Eén agent bezit de volledige context. Hij spawnt kortlevende subagents om geïsoleerde deeltaken uit te voeren. Elke subagent draait in zijn eigen verse context window met een toegewijde system prompt, voert zijn taak uit en geeft één samenvattingsstring terug. Er is geen peer-to-peer kanaal en geen gedeelde muteerbare state. Het research multi-agent systeem van Anthropic, de Task tool van Claude Code, OpenAI’s agents-as-tools en Cognition’s Managed Devins van maart 2026 gebruiken allemaal dit patroon.
Het tweede patroon is technisch gezien multi-agent, maar de coördinatiekosten zijn begrensd. Er is geen peer-bus, dus is er geen kwadratische communicatie-explosie en geen transcript-replay belasting.
Het gepolariseerde debat van 2025 is feitelijk verstomd.
Cognition’s Don’t Build Multi-Agents (juni 2025) was het sterkst geformuleerde standpunt tegen multi-agent ontwerpen—uitsluitend single-threaded, met een aparte compressie-LLM voor contextbeheer. Negen maanden later, in maart 2026, bracht Cognition Devin can now Manage Devins uit: een coördinator die werk afbakent, elk stuk toewijst aan een managed Devin die in zijn eigen geïsoleerde VM draait, en de resultaten samenvoegt. De rechtvaardiging—“context stapelt zich op, focus degradeert en de kwaliteit van elke deeltaak lijdt eronder”—is hetzelfde isolatieargument dat Anthropic in 2025 maakte. De post trekt het eerdere essay niet bij naam in, maar de architectonische concessie is onmiskenbaar.
Anthropic’s positie bewoog over dezelfde periode in tegengestelde richting—naar ontkoppelde “brein/handen”-architecturen in plaats van bredere parallelle fan-out. De Managed Agents post van april 2026 en de drie-agent harness voor full-stack ontwikkeling benadrukken role-scoped subagents boven peer-teams.
OpenAI’s Agents SDK update van 15 april 2026 maakte geneste handoff-historie standaard opt-in—wat cross-agent context bleed vermindert. AutoGen werd samengevoegd in Microsoft Agent Framework 1.0; peer GroupChat is niet langer het vlaggenschip. LangChain beveelt nu supervisor-as-tool aan boven de supervisor library.
Vijf leveranciers, één richting. Peer GroupChat is in verval.
Start vandaag uw gratis proefperiode en zie binnen enkele dagen resultaten.
Het meest geciteerde getal uit de engineeringpost van Anthropic uit juni 2025:
“Interne analyse toont aan dat agents typisch ongeveer 4× meer tokens gebruiken dan chatinteracties, en multi-agent systemen ongeveer 15× meer tokens gebruiken dan chats.”
En de diagnostische clou:
“Tokengebruik op zichzelf verklaart 80% van de variantie in BrowseComp-prestaties.”
De academische literatuur van 2026 trekt diezelfde conclusie nog harder door. Tran & Kiela (arXiv 2604.02460 , april 2026, Stanford / Contextual AI) testten Qwen3, DeepSeek-R1-Distill-Llama en Gemini 2.5 en rapporteren: “onder een vast reasoning-token budget en met perfecte contextbenutting zijn single-agent systemen informatie-efficiënter… single-agent systemen evenaren of overtreffen multi-agent systemen consequent op multi-hop reasoning-taken wanneer reasoning tokens constant worden gehouden.” De theoretische ondergrens is de data-processing inequality: informatie door meer agents heen leiden kan alleen verlies veroorzaken, nooit toevoegen.
De OneFlow paper van Xu et al. (januari 2026) komt tot dezelfde conclusie over zeven benchmarks, met KV-cache hergebruik als de aangevoerde efficiëntiefactor.
Dit betekent niet dat multi-agent altijd verkeerd is. Het betekent dat de bewijslast bij multi-agent ligt, niet bij het eenvoudigere ontwerp.
Het bewijs uit 2026 convergeert op een smalle reeks gevallen.
Paralleliseerbaar leeszwaar werk. Anthropic’s systeem uit 2025 doet fan-out van subagents op onafhankelijke onderzoeksdeelvragen. AORCHESTRA (arXiv 2602.03786
, februari 2026) modelleert elke subagent als een 4-tuple (INSTRUCTION, CONTEXT, TOOLS, MODEL) die on-demand door een orchestrator wordt gespawnd en rapporteert +16,28% relatieve verbetering tegenover de sterkste baseline op GAIA, SWE-Bench en Terminal-Bench met Gemini-3-Flash. AdaptOrch (2602.16873
) rapporteert +12–23% boven statische single-topology baselines met identieke onderliggende modellen—de winst komt uit topology routing, niet uit peer collaboration.
Betrouwbaarheid in een nauw domein. Drammeh’s incident-response paper (2511.15755 v2 , januari 2026) voerde 348 gecontroleerde experimenten uit en rapporteert een 100% percentage bruikbare aanbevelingen vs 1,7% voor single-agent, met 80× actiespecificiteit en 140× oplossingscorrectheid, en “nul kwaliteitsvariantie over alle experimenten.” Het domein is nauw en het werk is parallel; het orchestrator-patroon wint duidelijk.
Disjuncte tool- of contextdomeinen waarbij handoff dient als beveiligingsgrens—een billing-agent die echt geen engineering tools zou moeten zien, bijvoorbeeld.
Voor sequentiële taakuitvoering, agents die gedeelde state aanraken, of alles wat lijkt op “doe deze stappen op volgorde met oordeelsvorming ertussen”—deze voorwaarden zijn niet van toepassing. De literatuur beveelt een single agent aan met gedisciplineerd contextbeheer.
Ontvang gratis de nieuwste tips, trends en aanbiedingen.
Zodra je hebt besloten dat multi-agent de juiste keuze is, is de promptstructuur meer gestandaardiseerd dan de meeste marketingmaterialen suggereren. Elke grote onderzochte implementatie—Claude Code, Anthropic Research, OpenAI Agents SDK, CrewAI, AutoGen, LangGraph, AOrchestra—gebruikt hetzelfde patroon, in de literatuur over promptconstructie aangeduid als P2: een toegewijde system prompt voor de subagent, plus een gestructureerde task brief die als eerste user message wordt geleverd.
De Anthropic-post uit 2025 is het meest expliciet over wat in de brief hoort:
“Elke subagent heeft een doel, een uitvoerformaat, richtlijnen voor de tools en bronnen die gebruikt moeten worden en duidelijke taakgrenzen nodig.”
Ze zijn ook expliciet over hoe falen eruit ziet als dit wordt overgeslagen:
“We begonnen door de lead agent toe te staan eenvoudige, korte instructies te geven zoals ‘onderzoek het halfgeleidertekort’, maar ontdekten dat deze instructies vaak vaag genoeg waren dat subagents de taak verkeerd interpreteerden of exact dezelfde zoekopdrachten uitvoerden.”
Uit de consensus volgen drie regels:
Een vierde regel, vaak over het hoofd gezien: stuur worker-output rechtstreeks door naar de gebruiker wanneer de enige overgebleven taak van de supervisor het afleveren ervan is. De benchmark van LangChain uit 2025 mat dat ongeveer 50% van de prestatiewinst van swarm-vs-supervisor uit deze enkele wijziging kwam. De round-trip “supervisor leest worker-output, parafraseert voor de gebruiker, parafraseert het antwoord van de gebruiker voor de volgende worker” is pure verspilling.
Deze duiken op in productieretrospectieven, in de LangChain-benchmark en in Cogent’s Multi-Agent Orchestration Failure Playbook for 2026. Ze zijn de reden dat de industrie verschoof.
| Failure mode | Hoe het eruitziet |
|---|---|
| Volledig transcript opnieuw afgespeeld bij elke wakeup | Elke agent leest de volledige conversatie bij elke beurt opnieuw in. Lineair in beurten × agents. |
| Bloat van system prompt door coördinatieprotocol | Elke agent verstuurt bij elke call de protocolbeschrijving, rollijst en signaalwoordenschat. |
| Vertaal-round-trip van de supervisor | Supervisor leest worker-output, parafraseert voor de gebruiker, parafraseert het antwoord van de gebruiker voor de volgende worker. ~50% van de vermijdbare kosten. |
| Conflicterende impliciete aannames | Workers die parallel werken nemen subtiele esthetische of architectonische beslissingen die niet samenkomen. Het centrale punt van Cognition uit 2025. |
| Coördinatie-edge explosie | n agents communiceren over O(n²) edges. De 5e agent toevoegen verdubbelt de message graph. |
| HITL/suspensie-overhead | Pauzeren en hervatten brengt het volledige pre-suspensie transcript opnieuw in rekening. |
| Voortijdige consensus / “herding” | Peer-agents convergeren op een zelfverzekerd-maar-fout antwoord omdat het zelfvertrouwen van elke agent dat van de anderen versterkt. Nieuwe bevinding van 2026 (Tian et al., 2025; bevestigd in 2026). |
Een nuttige diagnostiek: als je in je eigen deployment drie van de zeven kunt benoemen, betaal je de multi-agent belasting voor een architectuur die de literatuur niet aanbeveelt. De oplossing is zelden “rip out the agent team”—het is geschiedenis comprimeren, het statische promptprefix cachen, samenvattingen retourneren in plaats van transcripts en worker-output rechtstreeks naar de gebruiker forwarden.
De werkelijk nieuwe ontwikkeling van 2026 zijn coördinatieprimitieven op infrastructuurniveau, niet framework-patronen.
Het Agent2Agent (A2A) protocol heeft zich in december 2025 bij MCP onder de Linux Foundation AI & Agents Foundation (AAIF) gevoegd, met oprichtende steun van OpenAI, Anthropic, Google, Microsoft, AWS en Block. A2A richt zich expliciet op “inter-agent communicatie, taakdelegering en collaboratieve orkestratie voor gedistribueerde multi-agent workflows.” In februari 2026 had MCP de grens van ongeveer 97 miljoen maandelijkse SDK-downloads gepasseerd.
Twee primitieven uit het onderzoeksstadium zijn het volgen waard. KVCOMM (NeurIPS 2025) demonstreert meer dan 70% KV-cache hergebruik en ~7,8× speedup in vijf-agent settings door KV-state te delen in plaats van tokens. Phase-Scheduled Multi-Agent Systems (PSMAS, februari 2026) rapporteert 34,8% tokenreductie door agentactivering te behandelen als continue regeling over gedeelde aandacht in plaats van discrete RPC.
Deze primitieven omzeilen de orchestrator-vs-peer dichotomie door te veranderen wat “context” tussen agents überhaupt betekent. Het zijn nog geen productiegerede bouwstenen, maar ze zijn het juiste om te volgen—en ze versterken de algemene richting: kosten zullen worden verlaagd via slimmere coördinatie op de infrastructuurlaag, niet via uitgebreidere peer-ontwerpen op de framework-laag.
Je hoeft geen software engineer te zijn om het orchestrator + subagent-patroon te bouwen. De visuele builder van FlowHunt mapt netjes op het subagent-contract: een orchestrator-node bezit de conversatie, worker-nodes draaien met hun eigen system prompts en verbindingen dragen een gestructureerde brief naar buiten en een samenvatting terug.
Hieronder volgt een 45-minuten walkthrough van een content research pipeline met behulp van het consensuspatroon.
Log in op FlowHunt en klik op Create New Workflow. Noem hem Content Research Pipeline. Stel de trigger in op Manual. De workflow heeft drie rollen: een orchestrator die het gebruikersverzoek bezit, een research subagent (paralleliseerbaar lezen) en een fact-check subagent (paralleliseerbaar lezen). Beide subagents geven samenvattingen terug.
Voeg een Google Search-node toe. Configureer hem zodanig dat hij een onderwerp als input neemt, de top 5 resultaten teruggeeft, advertenties uitsluit en URL, titel, snippet en datum uitzendt.
Voeg downstream een OpenAI-node toe. Dit is de “system prompt”-slot van de subagent. Geef hem een toegewijde, gefocuste prompt:
Jij bent een research subagent. Extraheer uit de zoekresultaten
feitelijke beweringen met bron-URL's en publicatiedatums.
Output is een JSON list van {claim, url, date} objects.
Grenzen: niet synthetiseren, niet samenvatten, niet redigeren.
Dit is het P2-patroon: een toegewijde subagent-prompt, nauw afgebakend. Verbind Google Search → OpenAI Extraction.
Voeg een Text Synthesis-node toe. Zijn taak is de output van de research subagent te organiseren in een gestructureerde outline—één sectie per thema, elk onderbouwd met bronbeweringen.
Voeg een OpenAI-node toe om het artikel te draften. Geef hem een gefocuste prompt: outline erin, draft eruit. Verbind Synthesis → OpenAI Generation.
Voeg een AI Agent-node toe die als fact-checker is geconfigureerd. De gestructureerde brief lijkt op het recept van Anthropic—doel, formaat, tools, grenzen:
Doel: valideer elke feitelijke bewering in het draftartikel.
Output formaat: geannoteerde draft met verificatiestatus per bewering
(verified | unverified | contradicted) en een confidence score 0–1.
Tools: knowledge base lookup, web search.
Grenzen: herschrijf het artikel niet. Markeer, repareer niet.
Voeg een Markdown formatter toe als de uiteindelijke output-node. Verbind Fact-Checker → Markdown.
Research subagent → Synthesis → Fact-Check subagent → Output. Elke verbinding draagt de output van de vorige stap als de gestructureerde brief van de volgende stap.
Dit is sequentieel in plaats van fan-out, wat hier passend is—de synthese heeft de research-output nodig en de fact-check heeft de synthese nodig. Als je zou willen schalen naar tien parallelle research-deelvragen, vervang je de enkele research-node door een fan-out: orchestrator spawnt N subagents parallel, elk neemt één deelvraag uit een gestructureerde brief, elk geeft zijn eigen samenvatting terug en de orchestrator voegt samen voordat hij doorgeeft aan synthese.
Klik op Run Workflow. Geef een onderwerp op zoals “Wat is quantum computing?”. Verwacht ~45–60 seconden end-to-end. Bekijk de outputs per node in de FlowHunt UI om te zien wat elke subagent als brief heeft gekregen en wat hij heeft teruggegeven.
Eenmaal geverifieerd, deploy naar een webhook, schedule of manuele trigger. Configureer de output-bestemming (e-mail, Slack, Google Drive, database). Schakel logging per rol in—Anthropic’s bevinding “80% van de variantie is tokenverbruik” maakt token-telemetrie per rol de voorwaarde voor elke afstemming.
Een korte lijst van dingen die de literatuur van 2025–2026 expliciet afraadt:
Dit zijn de use cases waar het orchestrator + subagent-patroon zijn premie verdient.
Een research subagent bevraagt API’s, academische databases en interne documenten en geeft een gestructureerde samenvatting van bronnen terug. Een synthesestap organiseert bevindingen in een outline. Een fact-check subagent valideert beweringen met confidence scores. Productieteams rapporteren ~70% reductie in fact-checking tijd en 40% toename in contentproductie—getallen die consistent zijn met de sweet spot van paralleliseerbaar leeswerk.
Een data-enrichment subagent haalt profieldata op uit CRM, Clearbit/Apollo, LinkedIn en websitegedrag—echt parallelle reads uit onafhankelijke bronnen. Een scoring subagent vergelijkt met de ICP en kent een score toe. Een routing subagent mapt hoog scorende leads naar de juiste rep op basis van territorium en belasting. Gerapporteerd: 35% toename in conversion rate, 50% reductie in lead processing time.
Een first-line subagent extraheert ticket-type en sentiment en probeert oplossing via knowledge base. Een escalation subagent evalueert het resultaat en routeert naar de juiste specialist. Een handoff subagent verpakt context voor de mens. Het orchestrator-patroon dient hier het criterium van disjuncte domeinen: billing, tech support en klachten hebben verschillende tools en verschillende datatoegang.
Parallelle collection subagents—news scraper, financial agent, social-sentiment agent, monitor van concurrentwebsites—draaien in echte fan-out. Een analysis subagent ontvangt de vier samenvattingen en identificeert trends. Een report subagent drafted de executive summary. Dit is het dichtstbijzijnde analoog van Anthropic’s research multi-agent systeem uit 2025 en de use case die het sterkst wordt ondersteund door de cijfers van AORCHESTRA uit 2026.
De toekomst van AI is geen enkel super-intelligent model en geen peer collaboration swarm. Het is één coördinator die de context bezit en een kleine set gedisciplineerde, geïsoleerde workers die samenvattingen teruggeven. Dat is het patroon dat het onderzoek ondersteunt en dat is het patroon dat FlowHunt eenvoudig te bouwen maakt.
{{ cta-dark-panel heading=“Bouw vandaag je eerste Multi-Agent AI-systeem” description=“Met de no-code workflow builder van FlowHunt is het eenvoudig om het orchestrator + subagent-patroon te bouwen, te testen en te deployen. Begin met een gratis account en bouw je eerste 3-agent pipeline in minder dan een uur.” ctaPrimaryText=“Probeer FlowHunt Gratis” ctaPrimaryURL=“https://app.flowhunt.io/sign-in" ctaSecondaryText=“Boek een Demo” ctaSecondaryURL=“https://www.flowhunt.io/demo/" gradientStartColor="#3b82f6” gradientEndColor="#8b5cf6” gradientId=“multi-agent-cta” }}
Yasha is een getalenteerde softwareontwikkelaar die gespecialiseerd is in Python, Java en machine learning. Yasha schrijft technische artikelen over AI, prompt engineering en chatbotontwikkeling.
Met de no-code workflow builder van FlowHunt maak en orkestreer je eenvoudig meerdere AI-agents. Begin in enkele minuten met het automatiseren van complexe taken—geen code vereist.
Ontdek de beste AI agent builders van 2026, van no-code platforms tot enterprise-grade frameworks. Ontdek welke tools het beste passen bij jouw use-case en hoe ...
Ontdek de multi-agent frameworks Crew.ai en Langchain. Crew.ai blinkt uit in samenwerking en taakverdeling, ideaal voor complexe simulaties, terwijl Langchain s...
Een uitgebreide analyse van open-source en proprietaire AI agent builders in 2025, waarbij kosten, flexibiliteit, prestaties en ROI worden onderzocht om organis...
Cookie Toestemming
We gebruiken cookies om uw browse-ervaring te verbeteren en ons verkeer te analyseren. See our privacy policy.