Deep Agent

De Deep Agent is FlowHunt’s meest capabele agenttype, gebouwd voor taken die ver voorbijgaan aan een enkele prompt-en-response cyclus. Terwijl een standaard AI agent een vraag beantwoordt of een discrete actie uitvoert, streeft een Deep Agent naar een doel — door het op te splitsen, stappen uit te voeren, resultaten te evalueren en zijn aanpak aan te passen totdat het doel is bereikt.

Hoe een Deep Agent verschilt van een normale AI Agent

Een standaard AI agent verwerkt je invoer met een LLM, roept optioneel een tool aan en retourneert een antwoord. Het is geweldig voor single-step of eenvoudigere multi-step taken, gesprekken, het samenvatten van documenten of het activeren van acties.

Een Deep Agent is proactief en iteratief. Gegeven een hoog-niveau doel, doet het:

• Ontleedt het doel in een reeks concrete subtaken voordat het enige actie onderneemt
• Plant zijn aanpak, beslist welke tools te gebruiken en in welke volgorde
• Voert stappen iteratief uit, roept tools aan, verwerkt resultaten en beslist wat vervolgens te doen op basis van wat het vindt
• Evalueert zichzelf na elke stap — herprobeert, verfijnt of verandert strategie als een resultaat onvoldoende is
• Synthetiseert een einduitvoer alleen nadat alle subtaken voltooid zijn

Het belangrijkste praktische verschil: een normale agent kan op zijn best enkele stappen nemen, maar een Deep Agent kan er tientallen nemen, en het weet wanneer het moet stoppen.

Wanneer een Deep Agent gebruiken

Deep Agents zijn de juiste keuze wanneer:

• De taak vereist het verzamelen en synthetiseren van informatie uit meerdere bronnen
• De workflow omvat voorwaardelijke logica, of met andere woorden, wanneer de volgende stap afhangt van het resultaat van vorige stappen
• Je nodig hebt dat de agent zijn eigen tussenresultaten verifieert of cross-check
• Het doel is te complex of open-ended om volledig in een enkele prompt op te geven
• Je wilt dat de agent autonoom werkt over een langere periode

Onthoud: Voor eenvoudige, goed afgebakende taken is een standaard AI Agent sneller en kosteneffectiever. Gebruik alleen een Deep Agent wanneer de complexiteit de extra redeneringdiepte rechtvaardigt.

Klaar om uw bedrijf te laten groeien?

Start vandaag uw gratis proefperiode en zie binnen enkele dagen resultaten.

Demo aanvragen Inloggen

Deep Agent Instellingen

LLM

Kies het large language model dat de agent zal gebruiken. Je kunt kiezen uit modellen van 6 grote providers. Het standaardmodel is altijd het nieuwste mid-range model van OpenAI, wat voor de meeste taken voldoende moet zijn.

Deep Agents profiteren het meest van meer geavanceerde modellen met sterke redeneringscapaciteiten (bijv. nieuwste GPT, nieuwste Claude Sonnet of Opus modellen, Gemini Pro modellen), omdat zij over veel stappen kunnen plannen, ambiguïteit kunnen hanteren en gelukkige beslissingen op elk moment kunnen nemen zonder menselijke begeleiding.

Tools

Tools zijn wat de Deep Agent zijn vermogen geeft om in de wereld te handelen. Met meer dan 900 beschikbare tools (omvattend API’s, databases, communicatieplatforms, zoekmachines, code-uitvoeringsomgevingen) en MCP-servers — je kunt de agent uitrusten met exact de mogelijkheden die zijn taak vereist.

Hoe tools verbinden

Klik + Tool toevoegen. De volledige lijst met beschikbare tools verschijnt. Je kunt filteren op categorie of zoeken op naam:

Elke tool heeft zijn eigen instellingen. Voor elk ervan kun je ofwel de AI laten bepalen hoe het moet worden gebruikt op basis van context (aanbevolen voor Deep Agents, omdat de agent flexibiliteit nodig heeft om zich over veel stappen aan te passen) of parameters handmatig configureren om specifieke waarden vast te leggen.

Om over te schakelen naar handmatige invoer, klik je op de “AI Decides” knop. Zodra een parameter handmatig is gedefinieerd, is het vast en kan de AI het niet overschrijven.

Zodra de tool is geconfigureerd, klik je op “Add with Config”, of sla de configuratie volledig over door op “Skip & Add” te klikken. Je kunt dan doorgaan met het toevoegen van andere tools.

Voor Deep Agents leidt een gerichte en relevante toolset tot betere beslissingen en snellere uitvoering dan een te brede — de agent overweegt alle beschikbare tools op elk moment, dus onnodige tools voegen ruis toe.

Systeembericht

Het systeembericht is de belangrijkste configuratie voor een Deep Agent. Het definieert de rol van de agent, het doel, de redeneerbenadering en de constrains die het moet respecteren. Het is het primaire mechanisme om een autonome agent op koers te houden.

Voor Deep Agents moet je systeembericht het volgende dekken:

• Het doel — wat de agent uiteindelijk probeert te bereiken
• De verwachte uitvoer — format, lengte, structuur
• Beslissingsregels — wat te doen wanneer het ontbrekende gegevens, conflicterende bronnen of tool fouten tegenkomt
• Scopebeperkingen — wat de agent wel en niet moet doen

Voorbeeld systeembericht:

Je bent een deep research agent. Je doel is om een uitgebreid, nauwkeurig en goed gestructureerd rapport over elk onderwerp dat je wordt gegeven te produceren.

Proces:
1. Verdeel het onderwerp in 4–6 sleutelonderzoeksvragen.
2. Zoek voor elke vraag naar relevante informatie met behulp van de beschikbare tools.
3. Evalueer de kwaliteit en relevantie van elke bron voordat je deze gebruikt.
4. Synthetiseer bevindingen over alle vragen heen in een samenhangend rapport.
5. Voeg aan het einde een samenvatting, belangrijkste bevindingen en een bronnenlijst toe.

Regels:
- Verzin geen informatie. Als je geen betrouwbare bron kunt vinden, zeg dat dan.
- Als een tooloproep mislukt, probeer het eenmaal opnieuw met een gewijzigde query voordat je doorgaat.
- Stop niet totdat alle onderzoeksvragen zijn beantwoord of je beschikbare bronnen hebt uitgeput.
- Houd het eindrapport feitelijk, neutraal in toon en vrij van speculatie.

Uitvoerformat: Markdown, met duidelijke koppelingen voor elke sectie.

Max recursie diepte

Bepaalt hoeveel niveaus diep de agent kan recurse bij het opsplitsen en uitvoeren van subtaken. Een hogere waarde stelt de agent in staat om meer complexe, geneste problemen aan te pakken, maar verhoogt de uitvoeringstijd en het resourcegebruik. Voor de meeste taken is de standaardwaarde meer dan voldoende. Verhoog deze alleen wanneer de agent echt multi-level sub-doelen moet nastreven.

Agent Chat History

Levert eerdere chatberichten als context voor de huidige run. Met geschiedenis ingeschakeld, kan de Deep Agent verwijzen naar eerdere uitwisselingen, wat nuttig is wanneer de agent deel uitmaakt van een lopend gesprek of iteratieve workflow waarbij eerdere context de volgende stap bepaalt. Zonder geschiedenis behandelt de agent elke run als volledig onafhankelijk.

Agent Memory

Bepaalt of de agent kan lezen van en schrijven naar je Workspace geheugen. Wanneer ingeschakeld, kan de Deep Agent bevindingen, beslissingen en verzamelde kennis over afzonderlijke runs heen behouden — waardoor het mogelijk is om incrementeel een kennisbank op te bouwen of langdurige projecten voort te zetten waarbij opnieuw beginnen verspillend zou zijn. Indien ingeschakeld, wordt je gevraagd om de geheugenmode en gedragspromt’s te definiëren die bepalen wat wordt opgeslagen en hoe het wordt opgehaald.

Opmerking: Alleen de Tools invoer is strikt vereist; alle andere instellingen zijn optioneel maar hebben een significante invloed op de kwaliteit en betrouwbaarheid van de uitvoer van een Deep Agent.

Hoe een Deep Agent taken oplost

Deep Agents volgen een gestructureerde uitvoeringslus. Deze lus is precies wat Deep Agents in staat stelt om taken aan te pakken die een standaard agent zou overweldigen:

• Doeldecompositie: De agent analyseert het doel en splitst het op in een reeks subtaken.
• Iteratieve uitvoering: De agent werkt subtaken één voor één af, roept tools aan, verwerkt resultaten en beslist wat vervolgens te doen op basis van voltooide stappen.
• Zelf-evaluatie: Na elke stap beoordeelt de agent of het resultaat voldoende is om verder te gaan of dat het moet herproberen, zijn query moet verfijnen of een geheel ander pad moet inslaan.
• Synthese: Zodra alle subtaken voltooid zijn, combineert de agent tussenresultaten in een eindproduct met coherentie.
• Beëindiging: De agent stopt wanneer het doel is bereikt, wanneer het de geconfigureerde limieten bereikt, of wanneer het bepaalt dat het de taak niet kan voltooien met de beschikbare tools en informatie.

Schrijf u in voor onze nieuwsbrief

Ontvang gratis de nieuwste tips, trends en aanbiedingen.

E-mailadres

Abonneren

Het juiste model kiezen voor een Deep Agent

Het LLM is de redeneermachine achter elk besluit dat de Deep Agent neemt. Voor diepe, multi-stap taken heeft modelkwaliteit een onevenredig grote impact op prestaties.

• Frontier modellen (GPT-4o, Claude 3.5 Sonnet, Gemini 1.5 Pro): Het beste voor complexe redenering, langdurige planning en taken waarbij de agent ambiguïteit moet hanteren of oordelen moet vellen zonder menselijke invoer. De hogere kosten zijn meestal rechtvaardigd voor Deep Agent workloads.
• Mid-range modellen: Een solide balans tussen mogelijkheden en kosten voor matig complexe maar goed gedefinieerde taken.
• Kleine taalmodellen: Niet aanbevolen als het primaire model voor Deep Agents. Ze missen de redeneringdiepte nodig voor betrouwbare multi-stap uitvoering. Dat gezegd hebbende, zijn ze nog steeds geschikt voor eenvoudige subtaken binnen een grotere workflow waar snelheid en kosten belangrijker zijn dan redeneringskwaliteit.

Begin met een mid-range model en ga omhoog alleen als prestaties dat vereisen. De juiste keuze hangt af van je taakcomplexiteit, acceptabele latentie en budget.