Agentische AI: de stack van de agent-ingenieur

De auteur, een Habr-gebruiker, merkt op dat veel kandidaten voor posities als agentische Python-engineer moeite hebben met veelvoorkomende concepten en tools in het veld. Om te helpen, geeft hij een praktisch overzicht. Hij definieert een agent als een entiteit met een prompt, een LLM en tools, maar cruciaal is dat er een loop en feedback is: het model beslist elke volgende stap, handelt en observeert resultaten, in tegenstelling tot een vooraf gedefinieerde keten. Hij merkt op dat ketens een vaste route hebben, terwijl agenten een set mogelijkheden en een doel hebben, waarbij de route dynamisch ontstaat. De loop omvat tooldeclaraties via API-schema (JSON Schema), het model dat toolcalls aanvraagt, en de runtime die deze uitvoert en resultaten teruggeeft aan de context. Stopcondities, zoals het model dat besluit dat de taak is voltooid of iteratielimieten, zijn belangrijk. PydanticAI wordt uitgelicht als een type-safe framework voor het bouwen van agents, met Pydantic-modellen voor outputvalidatie, tools met typeannotaties en docstrings, dependency-injectie via RunContext, en outputvalidators. LangGraph wordt gepresenteerd als een grafiek-gebaseerde aanpak voor stateful workflows, met menselijke goedkeuring en checkpoints. smolagents van Hugging Face gebruikt code-agents die Python-code schrijven voor uitvoering. CrewAI biedt een rolgebaseerde aanpak met agents die rollen, doelen en biografieën hebben, georkestreerd in een crew. Het artikel vermeldt ook MCP (Model Context Protocol), een open standaard van Anthropic voor het verbinden van tools, beschreven als USB-C voor AI, wat interoperabiliteit mogelijk maakt. Het materiaal is bedoeld om lezers te helpen interviews te doorstaan, met de erkenning dat het veld snel evolueert.