Diensten / AI-agents
We bouwen agents als gebouwde systemen: een model in een loop met afgebakende tools, geheugen, guardrails, evaluatie en een budget. Jij kiest het model en je wisselt het zonder iets opnieuw te bouwen. Een kernteam leidt, en toegewijde engineers sluiten aan waar het werk dat vraagt.
01 / De loop
Een agent is een loop om een model heen, nooit één enkele prompt. Elke ronde door de loop is begrensd, gelogd en gecontroleerd.
02 / Bouwstenen
Dezelfde onderdelen zitten in elke agent die we bouwen. Elk onderdeel is ingesteld, getest en heeft een eigenaar, zodat je ziet waaruit de agent bestaat.
03 / Je eigen model
De harness praat met modellen via één interface. Jij kiest het model per taak, en wisselen is een configuratiewijziging: prompts, tools en evaluatie blijven staan.
Jouw keuze per taak
| Optie | Waar het draait | Een goede keuze als |
|---|---|---|
| Een provider-API | Het platform van de provider, bereikt via de gateway | Je het sterkste algemene model wilt en de data daarheen mag |
| Een model waarvoor je al een licentie hebt | Je bestaande overeenkomst, aangesloten en beheerd in de gateway | Er een contract ligt dat de taak dekt |
| Een open-weightmodel | Je eigen infrastructuur: Nebius in Europese regio's, on-premises of Azure in een EU-regio | Data moet blijven waar jij bepaalt, of het volume is hoog en stabiel |
| Een eigen gefinetuned model | Geserveerd op endpoints die je zelf beheert | De taak is smal en een kleiner model kan het goed |
Het model is één regel per taak. Alles eromheen blijft staan.
# Schematische configuratie, geen echte syntax
tasks:
classify_request:
model: small-model-a
draft_reply:
model: large-model-b
extract_fields:
model: our-fine-tuned-model
gate:
evaluation_set: real-cases
quality: must-hold
cost_per_task: within-budget
rollout: shadow-run, then traffic-split
04 / Patronen
We kiezen het eenvoudigste patroon dat de taak aankan en voegen alleen structuur toe waar de taak daarom vraagt.
| Patroon | Wat het doet | Wanneer je het inzet |
|---|---|---|
| Enkele agent met tools | Eén model roept een kleine set tools aan in een loop tot de taak klaar is | Eén goed afgebakende taak met een paar tools, het beste startpunt |
| Router naar gespecialiseerde agents | Een eerste stap classificeert het verzoek en geeft het door aan de agent die ervoor is gebouwd | Meerdere verschillende verzoektypen die elk eigen tools en regels nodig hebben |
| Supervisor met subagents | Een superviserende agent splitst een taak, verdeelt de delen en voegt de resultaten samen | Taken die uiteenvallen in onafhankelijke delen met verschillende vaardigheden |
| Planner en uitvoerder | Eén stap schrijft het plan, een andere voert het stap voor stap uit | Lange taken waarvan het plan wordt gereviewd voordat er iets draait |
| Agent met menselijke goedkeuring | De agent bereidt een actie voor en een mens bevestigt die voordat hij plaatsvindt | Elke actie met gevolgen, zoals een boeking, een betaling of een bericht aan een klant |
| Multi-agentworkflow als graph | Knopen en verbindingen leggen de stroom vast, met checkpoints die de state bij elke stap opslaan | Processen die na een storing moeten hervatten en stap voor stap te auditen moeten zijn |
We bouwen ze met de frameworks die je team prefereert, bijvoorbeeld LangChain, LangGraph of PydanticAI, met MLflow-tracing en toegang tot tools via MCP.
LangChain
MLflow
OpenTelemetry
DatabricksOmnigent is een open-source meta-harness van Databricks dat boven de agents zit die je al gebruikt, zoals Claude Code, Codex en Pi, of agents die je zelf schrijft. Het geeft ze één interface, zodat de agent en het model eronder verwisselbaar blijven. Beleid voor rechten en kosten wordt buiten de prompt afgedwongen, en toegang tot modellen loopt via Unity Gateway.
Open source in alpha; beheerde versie in Beta. Laatst geverifieerd: 11 november 2026. Onze regel: previewfuncties draaien in een testomgeving totdat ze algemeen beschikbaar zijn.
05 / Tools en MCP
Tools zijn de plek waar een agent je systemen raakt, dus dit is het zorgvuldigst beheerde onderdeel.
06 / Geheugen en state
Geheugen is een ontwerpbeslissing met een bewaarregel, geen functie die vanzelf ontstaat.
We slaan state op in Lakebase, de beheerde Postgres-dienst op Azure Databricks, met governance in Unity Catalog naast je lakehouse. Actuele data in kleine leesacties en schrijfacties is waar Postgres goed in is, en pgvector hoort bij de ondersteunde extensies.
OLTP, OLAP en Lakebase in detail
Databricks
Lakebase
PostgreSQL
Unity Catalog07 / Evaluatie en veiligheid
Een agent is zo goed als het bewijs dat hij werkt. Deze controles zitten in elke build.
08 / Beheer
Na livegang heeft een agent dezelfde operations nodig als elke andere dienst. Unity AI Gateway hieronder is waar toegang, kosten en logs worden beheerd.
Governance voor AI
Elke aanroep van teams, agents en coding tools loopt via Unity AI Gateway, zodat toegang, kosten en logs dezelfde regels volgen als de rest van je data.
Algemeen beschikbaar. Smart Routing zit in Beta. Laatst gecontroleerd: 10 november 2026. Documentatie van Unity AI Gateway
09 / Aanpak
Vijf stappen, elk met iets dat je kunt reviewen als resultaat. Alles is code in jouw repositories.
Eén taak, één eigenaar en één getal dat zegt of de agent het goed doet.
De testset, de tracing en de regressiepoort bestaan voordat de agent veel doet.
Elke tool komt met een eigen serviceaccount, tests en een goedkeuringsstap voor schrijfacties.
De agent stelt voor en mensen beslissen. We vergelijken zijn voorstellen met hun beslissingen en stellen bij.
Alleen de gevallen waarin de gemeten kwaliteit goed genoeg is, gaan naar lichtere review.
10 / Bewijs
We zetten AI-harnesses en frameworks op voor klanten, en we bouwen elke evaluatieset op jouw eigen taken.
Bij het RIVM, het Rijksinstituut voor Volksgezondheid en Milieu, bouwden we LLM-operationsframeworks en multi-agent proofs of concept met MLflow, LangChain en Azure AI Foundry. Lees de RIVM-case
We hebben het Databricks Delivery Expert-trainingstraject voor Agent Evaluation afgerond.
AI-medewerkers: agents per rol voor operations ML- en LLM-operations AI-oplossingen
11 / Oplevering
Elk begint met een gesprek over je scope.
Doorlooptijd: 2 tot 3 dagen
In 2 tot 3 dagen brengen we in kaart hoe data en documenten nu door je organisatie stromen en rangschikken we de drie AI- of datatoepassingen met de meeste waarde voor de minste inspanning.
Wat je krijgt
Doorlooptijd: 4 tot 8 weken
We bouwen het pad naar productie voor je modellen en LLM-toepassingen op Databricks: registry, pipelines, evaluatiepoort, serving en monitoring, met je eerste use case erdoorheen.
Wat je krijgt
Verder lezen
Geschreven door de engineers die deze systemen bouwen.
AI Engineering 13 min
Build trace-driven model routing with task-level benchmarks, quality gates and cost-per-success measures, without assuming Azure or Databricks integration.
Lees het artikelDatabricks 10 min
Plan a governed Databricks Agent Memory pilot with retention rules, repeat-session evaluation, user-isolation tests and clear deployment promotion gates.
Lees het artikelAI Engineering 11 min
Govern coding agents with Unity Gateway: approved models and tools, clear authentication boundaries, trace access, spend ownership and EU processing checks.
Lees het artikelGratis check
Een score van 0 tot 100 en een volgende stap, in ongeveer drie minuten.
12 / FAQ
Een chatbot beantwoordt vragen. Een agent werkt naar een doel toe: hij maakt een plan, roept tools in je systemen aan, leest de resultaten en controleert ze voordat hij antwoordt of overdraagt. Daarom heeft een agent afgebakende toegang, evaluatie en een budget nodig.
Alleen als jij dat bepaalt. We beginnen met voorstellen die een mens goedkeurt. Gevallen waarin de gemeten kwaliteit het rechtvaardigt, gaan naar lichtere review, en elke actie wordt gelogd en kan worden teruggedraaid.
Die van jouw keuze. De harness werkt met provider-API's, modellen waarvoor je al een licentie hebt en open-weightmodellen op je eigen infrastructuur, en een model wissel je via configuratie. Elk model wordt op je evaluatieset getest voordat het een taak overneemt.
In lagen. Agents draaien met minimale rechten, dus een ingespoten instructie bereikt alleen wat de rol toestaat. Schrijfacties wachten op goedkeuring en guardrails controleren toolaanroepen en antwoorden. Vóór livegang red-teamen we ook met ingespoten documenten en tooluitvoer.
De kosten hangen af van tokens en aanroepen. We stellen via de gateway een budget per agent in en meten de kosten per taak, zodat je ze ziet vóór en na elke wijziging. De pagina over kosten- en tokenoptimalisatie laat zien hoe.
Volgende stap
Vertel ons over één taak, de tools die hij nodig heeft en het model dat je wilt gebruiken. We zeggen wat een eerste traject inhoudt.
Open voor projecten in Q4 2026