focus op geïsoleerde taken of eenvoudig snel technisch werk. Dankzij deze aanpak konden we interessante applicaties bouwen vanuit één enkele prompt, maar we beginnen een limiet te bereiken. Simpele aanwijzingen schieten tekort als we complexe AI-taken aanpakken die meerdere fasen vereisen of bedrijfssystemen die geleidelijk rekening moeten houden met informatie. De race richting AGI kan worden gezien als het opschalen van bestaande modelparameters, vergezeld van geavanceerde architectuur of samenwerking met meerdere modellen. Hoewel schaalvergroting duur is en beperkt is tot de bestaande modelmogelijkheden, en doorbraken onmeetbaar zijn en op elk moment kunnen plaatsvinden, is het orkestreren van meerdere modellen nog steeds de beste benadering van het bouwen van intelligente systemen die complexe taken zoals mensen kunnen uitvoeren.
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 verzoek te handelen. In deze nieuwe fase verwerkt machine-intelligentie de complexe tekening terwijl de mens op de hoogte blijft om de veiligheid te garanderen.
Ontwerp voor machine-to-machine-integratie
We hebben een standaardmanier nodig waarop machines met elkaar kunnen communiceren zonder dat een mens voor elke verbinding aangepaste integraties schrijft. Dit is waar het Model Context Protocol (MCP) een belangrijk onderdeel van de stapel wordt. MCP fungeert 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 op zichzelf lijkt te staan, vergt de ingenieur een aanzienlijke hoeveelheid handmatig werk om de MCP voor het model of de agent te definiëren.
Een topologisch raamwerk is ook essentieel om de logica van de interacties van de agenten te sturen als onderdeel van het autonomietraject. Als agenten in een rommelige open wereld werken, leidt dit tot hallucinaties en een toename van het benodigde werk. 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 de afhankelijkheden en gegevensstroom door het hele systeem gaan visualiseren. We kunnen bovenop de grafiek en het MCP-plan voortbouwen om planneragenten te creëren die binnen het raamwerk werken om blauwdrukken te genereren om problemen op te lossen door complexe doelen autonoom op te splitsen in uitvoerbare takenreeksen. De planner-agent identificeert wat er nodig is, het op grafieken gebaseerde raamwerk organiseert de afhankelijkheden om hallucinaties te voorkomen en genereert agenten om uw doelen te bereiken; laten we ze bellen”Vibe-agenten”.
Intelligentie met Vibe Agents
Terwijl we van een autonome theorie naar een compleet werkend systeem gaan, hebben we een manier nodig om ‘vibe’-statements op hoog niveau om te zetten in uitvoerbare grafieken. De gebruiker geeft een intentie aan en het systeem verandert deze in een team van agenten die samenwerken om de uitkomst te bereiken. In tegenstelling tot veel multi-agentsystemen die coördineren via gesprekken in vrije vorm, werken Vibe Agents binnen een expliciete grafiek, waar afhankelijkheden en uitvoeringspaden gestructureerd en waarneembaar zijn. Dit is het probleem dat ik heb proberen op te lossen als onderhouder van het IntelliNode open source framework (Apache-licentie). Het is ontworpen rond een planner-agent die de planning van de grafiek genereert op basis van de bedoeling van de gebruiker en deze vervolgens uitvoert door gegevens tussen agenten te routeren en de uiteindelijke output te verzamelen.
IntelliNode biedt Vibe-agents een thuis, waardoor ze niet strikt als statische scripts kunnen bestaan, maar in plaats daarvan kunnen fungeren als vloeiende deelnemers aan een evoluerende workflow.
Vibe Agents gemaakt in IntelliNode vertegenwoordigen onze eerste experimentele poging om een autonome laag te creëren. Kortom, we willen een proces creëren waarbij de definitie van elke taak gebeurt via declaratieve orkestratie, de beschrijving van het gewenste resultaat. Door dit raamwerk toe te passen, zullen we gebruikers in staat stellen aanwijzingen te creëren waarmee georkestreerde agenten uitzonderlijk complexe taken kunnen uitvoeren in vergelijking met eenvoudige gefragmenteerde taken.
Gebruiksvoorbeeld: de autonome fabriek van onderzoek naar inhoud
In een traditionele workflow vereist het maken van een diepgaand rapport of technisch artikel aanzienlijke inspanningen om zoekresultaten samen te stellen, gegevens te analyseren en op te stellen. Binnen dit raamwerk is het knelpunt in de workflow dat elke ondernomen actie input van andere lagen vereist.
Door Vibe Agents te implementeren, kunnen we een zelforganiserende pipeline opzetten die zich richt op het gebruik van actuele live data. 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 kaartbeschrijving”.
Hoe IntelliNode Framework “Vibe” uitvoert
Wanneer de architect deze intentie ontvangt, genereert hij, in plaats van simpelweg code te produceren, on-the-fly een aangepaste blauwdruk:
- De scout (zoekagent): gebruikt google_api_key om realtime zoekopdrachten op internet uit te voeren.
- De analist (tekstagent): verwerkt de resultaten van de zoekopdrachten en haalt alle technische specificaties uit de ruwe extracten
- De maker (Image Agent): maakt 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 machine de intentie en bouwt deze het gespecialiseerde team op 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 verklarende verklaring op hoog niveau. De architect analyseert dit en beslist 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. Voltooi de missie
Uitvoering zorgt voor de orkestratie, gegevensoverdracht 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 veranderen snel van ‘snelle trucs’ naar software-architecturen, en de centrale vraag is niet langer of meerdere agenten kunnen samenwerken, maar 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 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 gevolgd, zodat de volgorde van begin tot eind waarneembaar is. Dit betekent veel minder handnaaien en meer werk met het plan dat dit systeem genereert.
Referenties
https://www.anthropic.com/news/model-context-protocol
https://docs.intellinode.ai/docs/python/vibe-agents
