Hoe je AI-agents bouwt die werken: het harness rond het model, tool calling, MCP, samenwerkende agents en een compleet voorbeeld in PHP.
Een AI-agent is een taalmodel dat zelf tools aanroept om een taak af te maken. Of dat betrouwbaar gaat, hangt minstens zo veel af van de software rond het model als van het model zelf. Daarover gaat dit onderwerp.
De basis staat in Wat is een agent harness? en Agent harness: waarom de software rond het model bepaalt of je AI-agent werkt. Hoe een agent tools gebruikt, lees je in Wat is MCP?, over de open standaard om AI aan tools en data te koppelen, en in Programmatic tool calling, waarbij het model code schrijft die de tools aanroept. OpenAI WebSockets gaat over snelheid als een agent veel tools aanroept.
Wil je zelf bouwen, dan is Een AI-agent bouwen in PHP een compleet voorbeeld met Composer, de Claude-SDK, tests en een MCP-server. Multi-agent AI laat zien waarom het vaak misgaat als agents werk aan elkaar doorgeven, en Hermes Agent hoe een agent zijn eigen werkwijze vastlegt in skills.
LIKE '%Laravel%' vindt de bootcamper en mist de API-architect. Zo bouw je met MySQL, PHP en OpenAI een database die op betekenis zoekt: geteste code, gemeten scores, RAG met GPT, en waarom de hoogste score niet de beste kandidaat is.
Hoe bouw je een AI-agent in PHP, zonder Laravel? Een klantenservice-agent voor een webwinkel met Composer, de officiële Claude-SDK en een eigen framework van 280 regels: Claude kiest, PHP beslist, een mens keurt terugbetalingen goed. Met tests en een MCP-server voor Claude Code.
Meerdere AI-agents die werk aan elkaar doorgeven: wanneer dat loont, waarom het volgens onderzoek zo vaak misgaat, wat A2A en MCP wel en niet regelen, en hoe een goede overdracht er in PHP uitziet.
MCP is de open standaard waarmee AI-applicaties tools en data ontdekken en gebruiken. Hoe het werkt, wat de specificatie van juli 2026 verandert en waarom veilig koppelen je eigen werk blijft.
Agent = model + harnas. Wat een agent harness is, waarom hetzelfde model in een ander harnas veel beter scoort, en hoe gidsen en sensoren een agent bijsturen.
Hermes Agent "leert" niet in het model, maar door na lastige taken zijn eigen skill-bestanden te schrijven. Zo werken skills, geheugen en de risico's.
OpenAI's Responses API heeft een WebSocket-modus. Wat die doet, waarom agents met veel toolcalls tot 40% sneller worden, en wanneer je het kunt overslaan.
Bij programmatic tool calling schrijft het model code die tools aanroept, en blijven tussenresultaten buiten de context. Soms 99% minder tokens, soms juist duurder.
Of een AI-agent betrouwbaar werkt, hangt minstens zo veel af van de harness als van het model: context, geheugen, tools en foutherstel. En minder is vaak beter.