focus op geïsoleerde taken of eenvoudige snelle engineering. Deze aanpak stelde ons in staat om vanuit één enkele prompt prachtige applicaties te bouwen, maar we begonnen de grenzen ervan te bereiken. Eenvoudige commando’s zullen nutteloos zijn als we te maken hebben met complexe AI-taken die verschillende fasen vereisen, of bedrijfssystemen die stapsgewijs rekening moeten houden met informatie. De race naar AGI kan worden gezien als het opschalen van bestaande modelparameters, vergezeld van architectonische doorbraken, of de samenwerking van verschillende modellen. Hoewel schaalvergroting duur is en beperkt is tot de mogelijkheden van bestaande modellen, en doorbraken onmeetbaar zijn en op elk moment kunnen plaatsvinden, blijft de orkestratie van meerdere modellen de beste manier om intelligente systemen te bouwen die complexe taken zoals mensen kunnen uitvoeren.
Eén vorm van intelligentie is het vermogen van een agent om met minimale tussenkomst andere agenten te bouwen, waarbij de AI de vrijheid heeft om op verzoek te handelen. In deze nieuwe fase verwerkt machine-intelligentie complexe blauwdrukken, terwijl mensen toezicht houden om de veiligheid te garanderen.
Ontwerpen van machine-to-machine-integratie
We hebben een standaardmanier nodig waarop machines met elkaar kunnen communiceren zonder dat mensen voor elke verbinding aangepaste integraties hoeven te 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 het bevragen van databases. Hoewel dit autonoom lijkt, vergt de technicus een aanzienlijke hoeveelheid handmatig werk om de MCP voor een model of agent te bepalen.
Daarnaast is een topologisch raamwerk ook belangrijk om de logica van agentinteracties te begeleiden als onderdeel van het autonomietraject. Agenten in een rommelige open wereld laten werken veroorzaakt hallucinaties en het benodigde werk wordt opgeblazen. Het hebben van een op grafieken gebaseerd raamwerk kan echter de uitvoeringsstroom organiseren. Als we modellen behandelen als knooppunten en hun interacties als randen, kunnen we afhankelijkheden en gegevensstromen door het systeem gaan visualiseren. We kunnen voortbouwen op MCP-grafieken en blauwdrukken om planningsagenten te creëren die binnen een raamwerk werken om blauwdrukken te genereren voor het oplossen van problemen door complexe doelen autonoom op te splitsen in een reeks uitvoerbare taken. Planningagenten identificeren wat nodig is, een op grafieken gebaseerd raamwerk organiseert afhankelijkheden om hallucinaties te voorkomen en genereert agenten om uw doelen te bereiken; bel ze maar”Trillingsmiddel”.
Intelligentie met trillingsmiddelen
Terwijl we overstappen van autonome theorieën naar complete werkende systemen, hebben we een manier nodig om ‘trillings’-statements op hoog niveau om te zetten in uitvoerbare grafieken. Gebruikers geven de intentie aan en het systeem verandert het in een team van agenten die samenwerken om resultaten te bereiken. In tegenstelling tot veel multi-agentsystemen die coördineren via gesprekken in vrije vorm, werken Vibe Agents binnen een expliciete grafiek waarin afhankelijkheden en uitvoeringspaden gestructureerd en waarneembaar zijn. Dit is het probleem dat ik aan het oplossen ben als onderhouder van het IntelliNode open source framework (Apache-licentie). Het is ontworpen rond een planningsagent die een grafische blauwdruk genereert van de bedoelingen van de gebruiker en deze vervolgens uitvoert door gegevens tussen agenten te routeren en de uiteindelijke resultaten te verzamelen.
IntelliNode biedt een container voor Vibe Agents, waardoor ze niet alleen als statische scripts kunnen bestaan, maar ook kunnen fungeren als naadloze deelnemers aan een steeds evoluerende workflow.
Vibe Agents ingebouwd in IntelliNode vertegenwoordigen onze eerste experimentele poging om een autonome laag te creëren. In essentie willen we een proces creëren waarbij de definitie van elke taak gebeurt door middel van declaratieve orkestratie, dat wil zeggen een beschrijving van het gewenste resultaat. Met behulp van dit raamwerk zullen we gebruikers in staat stellen opdrachten te creëren waarmee georkestreerde agenten zeer complexe taken kunnen uitvoeren in plaats van eenvoudige, gefragmenteerde taken.
Gebruiksvoorbeeld: Autonome Research-to-Content Factory
In een traditionele workflow vergt het maken van een diepgaand rapport of technisch artikel veel inspanning om zoekresultaten te verzamelen, gegevens te analyseren en een concept te maken. In dit raamwerk is het knelpunt in de workflow dat elke ondernomen actie input van een andere laag vereist.
Wanneer we Vibe Agents implementeren, kunnen we zelforganiserende kanalen bouwen die zich richten op het gebruik van live data vandaag de dag. Wanneer iemand om 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 maak een technische samenvatting met ondersteunende diagrammatische beschrijvingen.”
Hoe het IntelliNode Framework “Vibe” uitvoert
Wanneer de architect deze intentie ontvangt, zal de architect, in plaats van alleen maar code te produceren, snel een aangepaste blauwdruk maken:
- Scout (zoekagent): gebruikt google_api_key om realtime zoekopdrachten op internet uit te voeren.
- Analist (Text Agent): verwerkt de queryresultaten en extraheert alle technische specificaties uit onbewerkte fragmenten
- Creator (Image Agent): produceert het eindrapport, maakt een lay-out of biedt een visuele weergave van de resultaten.
In plaats van code te schrijven en API-verbindingen te maken om uw intentie uit te voeren, geeft u de intentie door aan de machine en de machine bouwt de aangepaste teams die nodig zijn om die intentie te vervullen.
Implementeren met VibeFlow
De volgende code laat zien hoe u omgaat met de overgang van natuurlijke taal naar volledig georkestreerde inhoud en zoekstromen.
1. Stel uw omgeving in
Stel uw API-sleutel in als omgevingsvariabele om de architect en de autonome agent 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. Architecteninitialisatie
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. Bepaal de betekenis
“Vibe” is een declaratieve verklaring op hoog niveau. De architect zal het opsplitsen en beslissen welke speciale agenten nodig zijn om de missie te vervullen.
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 orkestratie, gegevensverplaatsing tussen agenten en automatische opslag 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 eerder hoe deze samenwerking wordt beperkt en gerepliceerd in de productie. Veel succesvolle systemen maken gebruik van gespreksagentcoördinatie, wat erg handig is bij het maken van prototypes, maar moeilijk te redeneren is omdat workflows complex worden. Anderen gebruiken meer geavanceerde workflowbenaderingen, zoals op grafieken gebaseerde uitvoering.
Het idee achter Vibe Agents is om de intentie van de gebruiker samen te brengen in een grafiek die kan worden uitgevoerd en gevolgd, zodat de volgorde van begin tot eind kan worden waargenomen. Dit betekent minder handnaaien en meer werken met de blauwdrukken die deze systemen produceren.
Referentie
https://www.anthropic.com/news/model-context-protocol
https://docs.intellinode.ai/docs/python/vibe-agents
