Multi-agentsystemen uitgelegd: Hoe AI-agents samenwerken 

Sinds de opkomst van large language models (LLM's) onderzoeken sectoren manieren om bedrijfsprocessen te optimaliseren. Een van de methoden die terrein wint, is het multi-agentsysteem.

Met multi-agentsystemen kunnen organisaties complexe workflows automatiseren met een samenwerkende groep autonome AI-agents. Ze lossen problemen op die bedrijven eerder verhinderden om de voordelen van LLM's volledig te benutten. 

Volgens een onderzoek zijn multi-agentsystemen goed voor 66,4% van het marktaandeel voor agentic AI, wat wijst op bedrijfsgroei, innovatie en productiviteit nu deze architectuur terrein wint. 

Deze gids behandelt de basisprincipes van multi-agentsystemen en waarom ze belangrijk zijn. Daarnaast gaan we in op veelvoorkomende architecturen, typen AI-agents, uitdagingen, voordelen en toepassingen, waaronder voice AI. 

Samenvatting

• Multi-agentsystemen gebruiken meerdere AI-agents om complexe taken uit te voeren die één agent niet zou kunnen uitvoeren.
• Een multi-agentsysteem kan zeven typen AI-agents inzetten, waaronder eenvoudige reflexagents, modelgebaseerde agents en doelgerichte agents.
• Agents kunnen in een gecentraliseerde of gedecentraliseerde architectuur werken. 
• Belangrijke voordelen van multi-agentsystemen zijn de schaalbaarheid, parallellisatie en specialisatie die de architectuur biedt.
• Organisaties zetten multi-agentsystemen in voor uiteenlopende toepassingen, waaronder softwareontwikkeling, magazijnbeheer en contentdistributie. 
  

Wat zijn multi-agentsystemen? 

Multi-agentsystemen zijn verzamelingen AI-agents die naar gezamenlijke doelen toewerken om complexe problemen op te lossen die één agent niet aankan. 

Een AI-agent is een autonome applicatie die wordt aangestuurd door large language models (LLM's), kan redeneren en handelen, en verbinding maakt met externe tools. Eén AI-agent is nuttig voor duidelijk afgebakende taken, maar heeft moeite met onvoorspelbare, omvangrijke of te complexe taken die meerdere domeinen beslaan. 

Hoe multi-agentsystemen werken 

In een typische architectuur voor een multi-agentsysteem splitst een gecentraliseerde coördinator een complexe taak op in meerdere kleinere delen. Vervolgens wijst deze elke taak toe aan gespecialiseerde agents in de gedeelde omgeving.

Communicatie is essentieel voor een betrouwbaar en goed presterend multi-agentsysteem. 

• Agents wisselen gegevens met elkaar uit via eigen messagingdiensten of het A2A-protocol.
• Agents communiceren met externe tools via API's van derden en het Model Context Protocol (MCP). 

Om de taak te voltooien delen de gespecialiseerde agents informatie, wisselen ze berichten uit en verbeteren ze zichzelf voortdurend door interacties met gebruikers en de omgeving. 

Waarom zijn multi-agentsystemen belangrijk? 

Multi-agentsystemen bieden een flexibel, gedistribueerd platform dat het context window van een LLM met één agent uitbreidt. Een enkele agent kan binnen een bepaald domein redelijk goed redeneren, maar als je die binnen beperkte tijd en met beperkte informatie veel taken laat uitvoeren, neemt de nauwkeurigheid af. 

Met multi-agentsystemen kun je AI opschalen naar verschillende toepassingen via parallelle verwerking, gespecialiseerde aansturing van agents en grotere flexibiliteit.

Neem een contentmarketingworkflow als voorbeeld. Eén AI-agent zou moeite hebben met onderwerpenonderzoek, doelgroepanalyse, contentcreatie, publicatie en rapportage. Daarvoor moet je op verschillende momenten ingrijpen.

Een multi-agentsysteem zet daarentegen toegewijde AI-agents in, die elk deskundig zijn binnen hun eigen kennisdomein, en verbindt ze met de tools die nodig zijn om de workflow te automatiseren. 

Typen AI-agents in multi-agentsystemen  

Er zijn zeven typen AI-agents, elk met eigen kenmerken.

1. Eenvoudige reflexagent

Een eenvoudige reflexagent reageert op sensorische input op basis van vooraf ingestelde voorwaardelijke regels. Wanneer de agent input ontvangt, produceert die output, zoals een actie, tekst, audio of een andere indeling. De agent bewaart geen geheugen van de resultaten of de omgeving, waardoor elke inferentie vanaf nul begint. 

2. Modelgebaseerde reflexagent

Een modelgebaseerde reflexagent is zich deels bewust van de omgeving waarin die is ingezet. Door voortdurende interacties leert de agent hoe zijn acties de omgeving beïnvloeden en gebruikt die informatie om voorwaardelijke regels voor inferentie aan te vullen. 

De agent bewaart echter geen geheugen van eerdere inferenties en werkt daardoor in zekere zin bijna hetzelfde als een eenvoudige reflexagent. 

3. Doelgerichte agent

Een doelgerichte agent overweegt mogelijke acties die leiden tot een vooraf bepaald doel. In plaats van te handelen op basis van voorwaardelijke regels, gebruikt de AI-agent zoek- en planningsalgoritmen om toekomstige uitkomsten te voorspellen voor elk pad dat die in kaart heeft gebracht. Vervolgens kiest de agent het pad dat volgens hem het waarschijnlijkst tot succesvolle resultaten leidt. 

4. Nutsgerichte agent

Een nutsgerichte agent is ontworpen om toe te werken naar een uitkomst die de bruikbaarheid maximaliseert. In de context van AI-agents is bruikbaarheid de waarde die je uit het systeem haalt. Wanneer de agent is ingezet, voorspelt die verschillende mogelijke paden en kent die elk een gewicht toe. Daarna weegt de agent potentiële risico's en voordelen af voordat die de optie kiest die het meeste voordeel biedt.

5. Lerende agent

Een lerende agent verbetert zijn prestaties voortdurend op basis van eerdere ervaringen en interacties met de omgeving. Door in een feedbackloop te werken, beoordeelt de agent zijn prestaties aan de hand van specifieke criteria en verfijnt die zijn gedrag om gewenste uitkomsten te produceren. 

6. Hiërarchische agent

Hiërarchische agents zijn AI-agents die werken via verschillende gezagslijnen tussen agents op hoog en laag niveau. Agents op hoger niveau delen grote taken doorgaans op in kleinere delen voor agents op lager niveau. 

Agents op lager niveau zijn ondertussen verantwoordelijk voor tactische implementaties, zoals het opnemen van sensordata en het aansturen van actuatorreacties. In een complexe opzet zetten machinelearningengineers agents in meerdere lagen in om taken beter te synchroniseren en te verdelen. 

7. Samenwerkende agent

Samenwerkende agents hebben onderling een peer-to-peerrelatie. In plaats van te vertrouwen op een centrale orchestrator, deelt elke agent informatie, draagt die de controle over en werkt die samen aan een gemeenschappelijk doel. 

Veelvoorkomende architecturen voor multi-agentsystemen 

Hoewel multi-agentsystemen de operationele efficiëntie verbeteren, hangt een succesvolle implementatie af van de juiste architectuur voor de toepassing. 

Hier volgt een snelle vergelijking van verschillende architecturen voor multi-agentsystemen. 

Laten we dieper ingaan op elke architectuur.

Gecentraliseerd

Een gecentraliseerde multi-agentarchitectuur bestaat uit één centrale orchestrator en meerdere uitvoerende agents. Ze delen een gemeenschappelijke kennisbank die door de orchestrator wordt beheerd. Wanneer deze een taak krijgt toegewezen, deelt de orchestrator die op in kleinere, gespecialiseerde delen en wijst die toe aan de betreffende agents. 

Een gecentraliseerde architectuur vereenvoudigt de uitvoering. Je bepaalt doelen, handhaaft beveiligingsbeleid en houdt vanuit één dashboard toezicht op agents. 

Het centrale controlepunt waarop deze architectuur vertrouwt, vormt echter ook een operationeel risico. Als de orchestrator uitvalt, valt het hele systeem uit, omdat agents ervan afhankelijk zijn voor coördinatie en het delen van informatie.

Gebruik gecentraliseerde multi-agents wanneer je wijzigingen in productieomgevingen eenvoudig moet kunnen beveiligen en doorvoeren. 

Gedecentraliseerd

Een gedecentraliseerd netwerk van agents verdeelt redeneren, communicatie en actie gelijkmatig over alle agents in het systeem. Het is gebaseerd op een platte hiërarchie, zonder dat één agent meer gezag heeft dan andere. Elke agent is een autonome entiteit. Dit maakt de gedecentraliseerde architectuur robuust, privacyvriendelijk en minder foutgevoelig. 

Anders dan een gecentraliseerd multi-agentnetwerk blijft een gedecentraliseerde architectuur functioneren, zelfs als één agent uitvalt. Via consensus- of taakdeelmechanismen kunnen andere agents de rol van de problematische agent overnemen. Het nadeel van deze architectuur is de complexiteit van het verspreiden van berichten en beveiligen van communicatie in complexe communicatienetwerken. 

Gebruik een gedecentraliseerde agentarchitectuur als je een schaalbaar, fouttolerant AI-systeem zoals edge computing wilt.

Hiërarchisch 

Een hiërarchische architectuur bestaat uit AI-agents die werken in lagen van een gezagslijn. Zie de architectuur als het organigram van een bedrijf, waarin afdelingshoofden, middenmanagers en operationeel leidinggevenden toezicht houden op verschillende onderdelen van dezelfde campagne. Een AI-agent in de bovenste laag plant, een agent in de middelste laag coördineert en agents in de onderste laag implementeren op gedetailleerd niveau.  

Een duidelijke hiërarchie maakt governance en een audit trail mogelijk. Je kunt beslissingen volgen over agents in verschillende lagen. Stapels agents voegen echter overhead toe en kunnen merkbare latency veroorzaken in realtime-applicaties.

Gebruik een hiërarchische AI-architectuur wanneer je een schaalbaar multi-agentsysteem nodig hebt dat meerdere domeinen omvat, zoals supply chain management. 

Sequentieel 

Sequentiële agentsystemen werken door resultaten volgens een vast patroon van de ene AI-agent naar de andere door te geven. Agent A draagt bijvoorbeeld over aan agent B, die weer overdraagt aan agent C. In een sequentiële architectuur is elke stap rechtstreeks afhankelijk van het vorige resultaat, waardoor deze architectuur goed past bij voorspelbare workflows. 

Voorspelbaarheid is een belangrijk voordeel van sequentiële AI. Je kunt fouten eenvoudig traceren en de betreffende agent finetunen. Een sequentiële pipeline verliest echter snelheid, omdat downstream agents geen inferentie kunnen starten of parallel kunnen werken. 

Gebruik sequentiële agents wanneer strikte afhankelijkheden cruciaal zijn, zoals bij medische triage die tot een diagnose leidt. 

Belangrijke voordelen van multi-agentsystemen 

Operationele teams zetten multi-agentsystemen in vanwege de aantoonbare voordelen. 

Hier zijn enkele voordelen van multi-agentsystemen:

• Flexibele specialisatie
• Betere parallellisatie
• Betere foutisolatie
• Betere schaalbaarheid

Laten we deze uitgebreider bekijken.

Specialisatie

In plaats van een brede reeks taken aan één agent toe te wijzen, wijst een multi-agentsysteem ze toe aan AI-agents die specifiek zijn ontworpen om ze uit te voeren. Hierdoor kan het operationele team een agentsysteem ontwerpen dat hun workflows nauw volgt.

Je gebruikt bijvoorbeeld een webscrapingagent om productgegevens op te halen, een analyseagent om markttrends te voorspellen en een e-commerceagent om de prijs bij te werken. 

Parallellisatie

Meerdere AI-agents werken tegelijkertijd om sneller resultaat te boeken. In plaats van een reeks agents achter elkaar te doorlopen, delegeer je onafhankelijke taken aan verschillende autonome agents. Zodra ze hun inferentie hebben voltooid, bundel je de resultaten voor verdere analyse. 

Customer successteams starten bijvoorbeeld gelijktijdig agents om klantgegevens op te halen, eerdere transacties samen te stellen en historische gesprekken naar voren te halen. 

Foutisolatie

Een storing legt in een multi-agentsysteem niet per se het hele systeem stil. Wanneer een agent uitvalt, los je dit op of isoleer je de agent om te voorkomen dat dit volgende agentic workflows beïnvloedt. Dit maakt multi-agentsystemen aantrekkelijk voor bedrijfskritische applicaties die operationele verstoringen nauwelijks tolereren.

Agentic robots in magazijnen nemen bijvoorbeeld de taken van een uitgevallen robot over. 

Schaalbaarheid

Multi-agentsystemen schalen eenvoudig mee wanneer de werklast groeit. In plaats van de architectuur helemaal opnieuw te ontwerpen, voeg je meer agents toe om de efficiëntie te verbeteren. Dankzij de gedeelde omgeving hebben alle agents toegang tot dezelfde context, waardoor extra agents nauwkeuriger kunnen redeneren. 

Een startup zet bijvoorbeeld een multi-agentmarketingworkflow in om inkomende leads te beheren. Wanneer de agents een knelpunt bereiken, voegt het extra AI-agents toe aan hetzelfde platform. 

Uitdagingen en beperkingen van multi-agentsystemen 

Ondanks de voordelen van multi-agentsystemen maken verschillende uitdagingen de implementatie nog steeds ingewikkeld.

• Coördinatie-overhead: Agents moeten context nauwkeurig doorgeven om steeds de gewenste uitkomsten te bereiken. In een complexe architectuur, vooral met honderden agents, is betrouwbare berichtuitwisseling lastig. Dit kan leiden tot context drift, waarvoor strikte coördinatie nodig is om dit te beperken. 
• Opeenstapelende fouten: LLM's, de basis van AI-agents, kunnen fouten maken. Elke onnauwkeurigheid die een agent doorlaat, wordt naar de volgende doorgegeven. Daardoor kunnen teams aanzienlijke variatie in het eindresultaat zien, wat operationele uitkomsten beïnvloedt. 
• Kostenvermenigvuldiging: AI-agents uitvoeren kan duur zijn, vooral bij complexe processen. Elke API-call naar een LLM-provider verbruikt tokens, die kunnen oplopen tot aanzienlijke kosten. 
• Ondoorzichtig debuggen: Een multi-agentsysteem troubleshooten is uitdagend. Wanneer meerdere agents betrokken zijn bij het produceren van een uitkomst, kost het meer moeite om de hoofdoorzaak te vinden. Zelfs als je de fout naar een agent hebt getraceerd, is het door de probabilistische aard van LLM's extreem lastig om het symptoom te reproduceren.

Voorbeelden van multi-agentsystemen in de praktijk 

Multi-agentsystemen worden niet meer alleen gebruikt voor innovatie binnen organisaties, maar ook voor het oplossen van operationele uitdagingen in de praktijk.

Hieronder vind je enkele voorbeelden van hoe multi-agentsystemen workflows in de praktijk hebben verbeterd. 

Woven by Toyota gebruikt multi-agentsystemen voor geautomatiseerde codefixes

Woven by Toyota is een modern mobiliteitsbedrijf dat oplossingen voor autonoom rijden levert. De software die het bouwt moet voldoen aan MISRA, een coderingsstandaard voor de auto-industrie. Voldoen aan MISRA is echter niet eenvoudig, omdat engineers hun code moeten valideren aan de hand van honderden pagina's met standaarden. 

Daarom ontwierp Woven by Toyota een multi-agentsysteem om codeveiligheid op schaal te verbeteren. Het systeem bestaat uit een Reviewer-, Coder- en Evaluator-agent. Zowel de Reviewer als de Coder doorloopt de broncode om codeproblemen te vinden en op te lossen. Daarna voert de Evaluator een eindcontrole uit en onderbouwt die het oordeel. 

Hierdoor kon het engineeringteam 81,5% van de MISRA-compliancefouten corrigeren met het multi-agentsysteem.

PGA TOUR gebruikt agentic AI voor mediaonderzoek en contentproductie 

PGA TOUR organiseert prestigieuze golftoernooien en heeft een grote schare fans. Het heeft echter moeite om content te leveren die spelers voldoende belicht en die breed te verspreiden. Met honderden spelers op het veld wilde de organisator de tijd tussen contentcreatie en publicatie verkorten.

Door meerdere AI-agents met elk een eigen rol in te zetten, maakt het redactieteam content die aansluit bij de merkstijl van PGA TOUR. Wanneer het systeem een contentverzoek ontvangt, voert een data-agent onderzoek uit voordat het resultaat naar de redactieagent gaat. Vervolgens maken een schrijver en een afbeeldingsagent een concept, dat na beoordeling naar een publicatieagent wordt gestuurd. 

Na de implementatie verhoogde PGA TOUR de contentproductie tot 1.200+ contentitems per week. Belangrijker nog: de kosten daalden met 95%.

CUADRA gebruikt een multi-agentsysteem om customer support te verbeteren

CUADRA is een Mexicaans premiumretailmerk dat klanten via meerdere kanalen bedient, waaronder social media, de website en telefoon. Het bedrijf weet dat klanten tijdige en persoonlijke antwoorden prefereren, maar ondervindt uitdagingen tijdens piekseizoenen.

In plaats van uitsluitend op menselijke klantenteams te vertrouwen, bouwde CUADRA een multi-agentsysteem om inkomende verzoeken te filteren en waar nodig te escaleren. De kern van het systeem is een orchestrator die verschillende gespecialiseerde agents voor productaanbevelingen, orderhistorie en klantinteracties coördineert. 

De agents bleken succesvol voor CUADRA: klanten beoordeelden de antwoorden die ze ontvangen met 95,5%, tegenover 57% wanneer deze volledig door mensen werden afgehandeld. 

Synergy Logistics zet multi-agents in voor magazijnactiviteiten

Magazijnactiviteiten zijn tijdgevoelig. Menselijke operators kunnen bijvoorbeeld verzenddeadlines missen of voorraadtekorten riskeren, wat bedrijven geld kost. Synergy Logistics is een toonaangevende aanbieder van oplossingen voor magazijnbeheer. Het nam het initiatief om operators met multi-agentsystemen te helpen efficiënter te werken en minder zaken over het hoofd te zien bij voorraadbeheer.

De aanbieder van magazijnoplossingen bouwde een gecentraliseerd agentic AI-systeem om voorraadbewegingen te voorspellen en inzicht te bieden in alle magazijnactiviteiten. Een orchestrator-agent fungeert als coördinator en delegeert taken aan een agent voor voorraadrisico's, taakprioritering en voorraadtekortvoorspelling. Deze agents gebruiken WMS-data om te redeneren en aanbevelingen te doen. 

Samen konden deze agents tot 75% van de werklast van operators afhandelen. 

Multi-agentsystemen in voice AI  

Voice AI is technologie die naar mensen luistert, intentie begrijpt en reageert met mensachtige stemmen. Je kunt een voice-AI-systeem met meerdere agents bouwen voor slimmere, schaalbare en efficiëntere gesproken interactie met minimale menselijke tussenkomst.

Je gebruikt bijvoorbeeld een AI-telefoonsysteem als aanvulling op je customer support-team. Een AI-telefoonsysteem synthetiseert, anders dan een traditioneel interactive voice response-systeem, spraak in realtime in plaats van een vooraf opgenomen audiobibliotheek te gebruiken. Klanten krijgen het gewenste antwoord zonder minutenlang te hoeven wachten tot ze worden geholpen. 

Voor het bouwen van een AI-telefoonsysteem is echter samenwerking tussen meerdere agents nodig. In de agentworkflow filtert een triageagent de eerste klantverzoeken, haalt die de benodigde gegevens op en draagt die het gesprek over aan een andere agent. Het mechanisme voor agentoverdracht geeft de context en chatgeschiedenis door, zodat gesprekken naadloos en begrijpelijk blijven. 

Ga aan de slag met ElevenAgents voor naadloze samenwerking tussen AI-agents 

ElevenAgents stelt je in staat multi-agent voice- en chatsystemen te ontwerpen, testen en implementeren vanuit één platform. Pas beveiligingsmaatregelen toe, volg de prestaties van chatbots en bekijk transcripts opnieuw om gesprekken te verbeteren, zowel intern als via klantgerichte kanalen. 

Lees meer over multi-agentsystemen in ElevenAgents of registreer je vandaag om agents voor je workflows te bouwen.

FAQ: Multi-agentsystemen begrijpen