focus op geïsoleerde taken of eenvoudige tijdige engineering. Deze aanpak heeft ons in staat gesteld om vanuit één enkele prompt interessante applicaties te maken, maar we beginnen een limiet te bereiken. Alleen maar voorstellen is niet voldoende als we complexe AI-taken aanpakken die meerdere stappen vereisen of bedrijfssystemen waarbij stapsgewijs rekening moet worden gehouden met informatie. De haast richting AGI kan worden gezien als het opschalen van bestaande modelparameters, vergezeld van innovatieve architectuur of samenwerking tussen meerdere modellen. Hoewel schaalbaarheid duur is en beperkt is tot de mogelijkheden van het bestaande model, en vooruitgang niet meetbaar is en op elk moment kan plaatsvinden, blijft het orkestreren van meerdere modellen de beste manier om intelligente systemen te bouwen die in staat zijn complexe taken zoals mensen uit te voeren.
Eén vorm van intelligentie is het vermogen van agenten om met minimale tussenkomst andere agenten te bouwen, waarbij de AI de vrijheid heeft om op basis van het verzoek te handelen. In deze nieuwe fase beheert machine-intelligentie het complexe project, terwijl de mens betrokken blijft om de veiligheid te waarborgen.
Ontwerp voor machine-machine-integratie
We hebben een standaardmanier nodig waarop machines met elkaar kunnen communiceren zonder dat mensen voor elke individuele verbinding aangepaste integraties schrijven. Dit is waar het Model Context Protocol (MCP) een belangrijk onderdeel van de stapel wordt. MCP dient als een universele interface voor modellen om te communiceren met bestaande omgevingen, zoals het aanroepen van tools, het ophalen van API’s of databasequery’s. Hoewel dit op zichzelf lijkt te staan, is er een aanzienlijke hoeveelheid handmatig werk nodig van de kant van de ingenieur om de MCP voor het model of de agent te definiëren.
Bovendien is een topologisch raamwerk essentieel om de logica van agentinteracties te begeleiden als onderdeel van het autonomietraject. Agenten laten werken in een rommelige, open wereld leidt tot hallucinaties en een toename van het benodigde werk. Het hebben van een op grafieken gebaseerde structuur kan echter de uitvoeringsstroom organiseren. Als we modellen behandelen als knooppunten en hun interacties als randen, kunnen we de afhankelijkheden en gegevensstroom door het hele systeem gaan visualiseren. We kunnen voortbouwen op de MCP-grafiek en het ontwerp om planningsagenten te creëren die binnen het raamwerk werken om ontwerpen te genereren om problemen op te lossen door complexe doelen autonoom op te splitsen in uitvoerbare activiteitenreeksen. De planner-agent identificeert wat er nodig is, de op grafieken gebaseerde structuur organiseert afhankelijkheden om hallucinaties te voorkomen en genereert agenten om uw doelen te bereiken; laten we ze bellen”Trillingsmiddelen”.
Intelligentie met trillingsmiddelen
Terwijl we van een op zichzelf staande theorie naar een compleet werkend systeem evolueren, zullen we een manier nodig hebben om ‘vibratie’-uitspraken op hoog niveau om te zetten in uitvoerbare grafieken. De gebruiker geeft een intentie aan en het systeem transformeert deze in een team van agenten die samenwerken om het resultaat te bereiken. In tegenstelling tot veel multi-agentsystemen die coördineren via gesprekken in vrije vorm, werken Vibe-agenten binnen een expliciete grafiek waarin afhankelijkheden en uitvoeringspaden gestructureerd en waarneembaar zijn. Dit is het probleem waar ik aan heb gewerkt als onderhouder van het open source framework IntelliNode (Apache-licentie). Het is ontworpen rond een planner-agent die het grafische ontwerp genereert op basis van de bedoeling van de gebruiker en dit vervolgens uitvoert door gegevens tussen agenten te routeren en de uiteindelijke uitvoer te verzamelen.
IntelliNode biedt een thuis voor Vibe-agents, waardoor ze niet strikt als statische scripts kunnen bestaan, maar in plaats daarvan kunnen fungeren als vloeiende deelnemers binnen een evoluerende workflow.
De Vibe-agents die in IntelliNode zijn gemaakt, vertegenwoordigen onze eerste experimentele poging om een op zichzelf staande laag te creëren. In essentie willen we een proces creëren waarbij de definitie van elke taak gebeurt via een declaratieve orkestratie, de beschrijving van het gewenste resultaat. Met behulp van dit raamwerk stellen we gebruikers in staat aanwijzingen te creëren waarmee georkestreerde agenten uitzonderlijk complexe taken kunnen uitvoeren in plaats van eenvoudige gefragmenteerde taken.
Use case: De autonome fabriek van onderzoek naar inhoud
In een traditionele workflow vereist het maken van een diepgaand rapport of technisch artikel aanzienlijke inspanningen om onderzoeksresultaten samen te stellen, gegevens te analyseren en op te stellen. Het knelpunt in de workflow is in deze context dat elke ondernomen actie input van andere lagen vereist.
Wanneer we Vibe-agents implementeren, kunnen we een zelforganiserende pijplijn opzetten die zich richt op het in realtime gebruiken van actuele gegevens. Wanneer iemand om een intentie op hoog niveau vraagt, zal hij de volgende enkele verklaring geven: “Onderzoek de nieuwste doorbraken op het gebied van solid-state batterijen van de afgelopen 30 dagen en genereer een technische samenvatting met een ondersteunende diagrambeschrijving.”
Hoe het IntelliNode Framework “Vibe” uitvoert
Wanneer de architect deze intentie ontvangt, genereert hij, in plaats van simpelweg code te produceren, direct een aangepast ontwerp:
- The Scout (zoekagent): gebruikt google_api_key om realtime zoekopdrachten op internet uit te voeren.
- De Analist (Tekstagent): verwerkt de queryresultaten en haalt alle technische specificaties uit de onbewerkte fragmenten
- De Creator (Image Agent): Produceert het eindrapport, maakt een lay-out of zorgt voor een visuele weergave van de resultaten.
In plaats van code te schrijven en een API-verbinding te maken om uw intentie uit te voeren, geeft u de intentie aan de machine en creëert deze het gespecialiseerde team dat nodig is om die intentie te vervullen.
Implementatie met VibeFlow
De volgende code laat zien hoe u omgaat met de overgang van natuurlijke taal naar een volledig georkestreerde zoek- en inhoudspijplijn.
1. Stel uw omgeving in
Stel uw API-sleutels in als omgevingsvariabelen om de architect en autonome agenten te authenticeren.
export OPENAI_API_KEY="your_openai_key"
export GOOGLE_API_KEY="your_google_cloud_key"
export GOOGLE_CSE_ID="your_search_engine_id"
export GEMINI_API_KEY="your_gemini_key"Installeer IntelliNode:
pip install intelli -q2. Initialiseer de architect
import asyncio
import os
from intelli.flow.vibe import VibeFlow
# Initialize with planner and preferred model settings
vf = VibeFlow(
planner_api_key=os.getenv("OPENAI_API_KEY"),
planner_model="gpt-5.2",
image_model="gemini gemini-3-pro-image-preview"
)3. Definieer de bedoeling
Een “Vibe” is een declaratieve verklaring op hoog niveau. De Architect zal het analyseren en beslissen welke gespecialiseerde agenten nodig zijn om de missie te volbrengen.
intent = (
"Create a 3-step linear flow for a 'Research-to-Content Factory': "
"1. Search: Perform a web research using ONLY 'google' as provider for solid-state battery breakthroughs in the last 30 days. "
"2. Analyst: Summarize the findings into key technical metrics. "
"3. Creator: Generate an image using 'gemini' showing a futuristic representation of these battery findings."
)
# Build the team and the visual blueprint
flow = await vf.build(intent)4. Voer de missie uit
Uitvoering zorgt voor de orkestratie, het doorgeven van gegevens tussen agenten en het automatisch opslaan van alle gegenereerde afbeeldingen en samenvattingen.
# Configure output directory and automatic saving
flow.output_dir = "./results"
flow.auto_save_outputs = True
# Execute the autonomous factory
results = await flow.start()
print(f"Results saved to {flow.output_dir}")Agentsystemen evolueren snel van “snelle trucs” naar software-architecturen, en de belangrijkste vraag is niet langer of meerdere agenten kunnen samenwerken, maar hoe deze samenwerking beperkt wordt en gerepliceerd wordt in de productie. Veel succesvolle systemen maken gebruik van gespreksachtige coördinatie van agenten, wat erg handig is bij het maken van prototypes, maar moeilijk te redeneren is als workflows complex worden. Anderen hanteren een meer geavanceerde workflowbenadering, zoals op grafieken gebaseerde uitvoering.
Het idee achter Vibe Agents is om de intentie van de gebruiker samen te stellen in grafieken die kunnen worden uitgevoerd en geplot, zodat de volgorde van begin tot eind waarneembaar is. Dit betekent veel minder handmatig werk en meer werk met het project dat door dit systeem wordt gegenereerd.
Referenties
https://www.anthropic.com/news/model-context-protocol
https://docs.intellinode.ai/docs/python/vibe-agents
