Plant in stappen
De agent krijgt een doel, breekt het op in losse stappen en beslist over de volgende stap op basis van wat eerdere stappen opleverden. Niet één-stap-in, één-stap-uit.
Een AI-agent bouwen in één dag
Een AI-agent is geen chatbot. Een agent plant, roept tools aan en handelt. Bij OneDayBuild bouwen we in één werkdag een werkende agent voor jouw use case, op echte data, met de mens-in-de-lus waar dat hoort.
01
/
04
Een agent is geen chatbot
Het verschil zit in wat de agent zelf doet zonder gebruiker. Drie eigenschappen maken het verschil.
Roept tools aan
De agent heeft toegang tot specifieke acties: een klant opzoeken, een document genereren, een betaling klaarzetten. Niet de hele API, alleen de tools die passen.
Vraagt mens bij risico
Bij belangrijke acties (mailen, betalen, contract) stopt de agent en vraagt expliciet bevestiging. Geen black box die zelf besluit over geld of communicatie.
02
/
04
Welke agent-patronen we vaker bouwen
Niet één agent die alles doet, maar per taak een patroon dat past.
Onderzoek-agent
Doorzoekt interne bronnen, vergelijkt, vat samen. Combineert RAG met meerdere bron-systemen.
Workflow-agent
Plant een keten van acties in je product: boekingen, offertes, status-updates. Approval is een vast onderdeel van de flow.
Co-pilot
Zit ingebakken in een bestaand product. Stelt voor, suggereert, voert uit bij click. Geen aparte chat-laag, geen losse app.
03
/
04
Wat past in één dag, wat niet
Eén werkdag is genoeg voor een agent met één duidelijke taak. Niet voor een multi-agent-platform.
Past in één dag
- Eén centrale taak met heldere input en output.
- Twee tot vier tools die de agent mag aanroepen.
- Een eval-set van 10 tot 20 testcases.
- Mens-in-de-lus stap voor risico-acties.
- Trace-systeem dat per run laat zien wat de agent deed.
Past niet in één dag
- Een platform van meerdere agents die samenwerken.
- Productie-paklare schaalbaarheid en monitoring.
- Integratie met legacy-systemen zonder test-toegang.
- Custom fine-tuning of model-training.
- Volledige security-audit voor productie.
04
/
04
Hoe een agent-bouw-dag verloopt
Vast ritme van scope tot oplevering.
-
09:00
Use-case scherp
Welke taak, voor wie, met welke data?
-
10:00
Tool-design
Welke tools krijgt de agent? Geen API-mirror, alleen wat past.
-
11:30
Eerste run
Een ruwe versie loopt. Vaak nog niet goed, maar een vertrekpunt.
-
13:30
Eval-loop
Tien testcases erop. Waar zit de bottleneck: model, prompt of tool?
-
15:30
Polish en approval-gates
Mens-in-de-lus aanscherpen, edge-cases afhandelen.
-
17:00
Oplevering
Live demo, eval-rapport, deelbare run. Gesprek over productie-pad.
05
/
05
Veelgestelde vragen
Welk model gebruiken jullie voor de agent?
Pragmatisch per taak. Claude voor lange context en tool-use met planning, GPT-4o voor structured-output en agent-frameworks, self-hosted Llama voor gevoelige data of high-volume. We laten in het oplever-rapport zien welke keuze we maakten en waarom.
Mag onze data het pand verlaten?
Bij voorkeur werken we met geanonimiseerde of synthetische data op de dag. Bij gevoelige data kiezen we self-hosted modellen of cloud-modellen met data-residency-garanties. Bespreken we in de intake.
Wat als de agent fouten maakt?
Dat gebeurt. De vraag is hoe vaak en waar. Het eval-rapport laat zien op welke testcases de agent faalt en wat het patroon is. Op basis daarvan beslis je of de agent productie-rijp is en welke acties altijd door een mens bevestigd moeten worden.
Hoe zit het met security en compliance?
We kennen de standaard valkuilen: prompt-injection, data-leak via context, log-bewaring. In één dag bouwen we niet iets dat in productie zonder review zou mogen, maar wel iets dat de bouwblokken voor een veilige productie-versie blootlegt.
Kunnen we de agent zelf hosten na de dag?
Ja. Je krijgt code, prompts, tools en eval-bestanden mee. Self-hosting kan, je eigen developer kan er verder mee, of we rollen door naar een Appfront-traject voor productie.
