Glossarium

Agentische workflows en harnesses

Multi-step modelworkflows, verantwoordelijkheden van de harness, state, geheugen en herbruikbare workflowpatronen.

AI Engineering

Het ontwerpen, bouwen, evalueren, deployen en verbeteren van softwaresystemen waarin AI‑modellen een deel van het systeemwerk uitvoeren.

AI-geschiktheid

Beoordelen of AI bij de taak past en of fouten detecteerbaar, toelaatbaar en herstelbaar zijn.

Architectuur en interfaces

Grenzen, contracten, integratie en structurele beslissingen die AI‑systemen veranderbaar maken.

Codekwaliteit en versiebeheer

Onderhoudbaarheid, leesbare diffs en omkeerbare verandering in door mensen en agents geschreven code.

Code-assistenten versus coding agents

Het verschil tussen lokale codehulp en doelgerichte, meerstaps agentwerk.

Configuratie, machtigingen en sandboxing

Modelconfiguratie, MCP‑integraties, uitvoeringsgrenzen, approvals en secrets.

Context engineering

Het ontwerpen van de volledige informatieomgeving die een model in een bepaalde stap ter beschikking staat.

Context, instructies en planning

Het beheren van eindige context, vaste projectrichtlijnen, skills en adaptieve plannen.

Coördinatierisico’s en concurrency-veiligheid

Kosten-, context-, communicatie-, conflict- en stopvoorwaarderisico’s bij multi‑agentwerk.

Datamodellering en data engineering

Het representeren van entiteiten, relaties, gebeurtenissen en levenscyclus zodat AI met betekenisvolle data kan werken.

Deep learning

Machine learning met meerlaagse neurale netwerken, de basis onder moderne vision, spraak, multimodale systemen en LLM’s.

Delegatie, overdrachten en orkestratie

Hoe orkestrators werk toewijzen, combineren en verantwoorden over agents heen.

Deterministisch-probabilistische grenzen

Bepalen wat in regels of conventionele code thuishoort en wat verantwoord een model kan gebruiken.

DevOps, deployment en observability

Build-, release- en operationspraktijken voor observeerbare en herstelbare AI‑software.

Embeddings, vector search, grafen en semantische lagen

Retrieval‑bouwstenen en hun afwegingen voor semantische, gestructureerde en relatie‑rijke informatie.

Evals en foutanalyse

Gestructureerde tests en kwalitatieve inspectie om probabilistisch AI‑systeemgedrag te verbeteren.

Coding agents evalueren

Bewijsdimensies om agentoutput, proceskwaliteit, veiligheid en robuustheid te beoordelen.

Bewijsgebaseerde afronding

Succes verklaren op basis van concreet bewijs, zoals geslaagde checks, geïnspecteerde diffs of weergegeven gedrag.

Foundation models en LLM’s

Foundation models, LLM’s, multimodale modellen en modelselectie als keuzes in productie‑engineering.

Governance en menselijke beslissingsgrenzen

Waar mensen de bevoegdheid behouden over risico, onomkeerbare actie en releasebeslissingen.

Grounding en RAG

Modeloutput verbinden met betrouwbare, taakrelevante bronnen of systeemstatus.

Menselijk toezicht en guardrails

Beheersmaatregelen die AI‑invoer, ‑uitvoer of ‑acties begrenzen en menselijke zeggenschap betekenisvol houden.

Machine learning

Methoden die patronen leren uit data in plaats van elke regel expliciet te formuleren.

Model, harness, tools en werkruimte

De praktische componenten die bepalen wat een coding agent kan doen.

Multi-agentpatronen

Fan‑out/fan‑in, pipelines, reviewer‑patronen en debatpatronen.

Meerdere agents en subagents

Wanneer afzonderlijke agents helpen en wanneer één enkele agent de betere engineeringkeuze is.

Uitkomsten en leerlussen

Outcome‑metrics, guardrail‑metrics, build‑measure‑learn‑lussen en besluitrecords.

Principes voor effectief gebruik

Operationele principes om nuttig, beoordeelbaar en omkeerbaar werk uit coding agents te krijgen.

Probleemkadering en stakeholderanalyse

De situatie, betrokkenen, gewenste verandering en concurrerende belangen definiëren voordat een AI‑oplossing wordt gekozen.

Producthypothesen en prototypes

Falsifieerbare producthypothesen testen met prototypes en verticale slices.

Productieoperaties, observability, kosten en latentie

AI‑systemen draaien onder beperkingen rond deployment, tracing, betrouwbaarheid, kosten en performance.

Prompt engineering

Instructies en voorbeelden ontwerpen die nuttig modelgedrag oproepen.

Requirements en ontwerp

Requirements engineering, computational thinking en ontwerp voor AI‑ondersteunde systemen.

Risico en verantwoorde AI

Risico’s beoordelen en verantwoordbare AI‑systemen ontwerpen met betekenisvol menselijk toezicht.

Beveiliging, privacy en toegankelijkheid

Beperkingen rond security, privacy en toegankelijkheid voor AI‑ondersteunde applicaties.

Specificaties, kwaliteitsattributen en acceptatiecriteria

Gewenst gedrag, beperkingen en kwaliteit omzetten in verifieerbare voorwaarden.

Taakinstructies en voorbeelden

Een herbruikbare taakinstructiestructuur voor begrensd, verifieerbaar agentwerk.

Technische schuld, documentatie en samenwerking

Toekomstige kosten, besluitrecords, samenwerking en review beheren in snel evoluerende AI‑projecten.

Testen en testbaarheid

Traditionele tests voor deterministisch gedrag en evals voor probabilistisch gedrag.

De agent-lus

Observeren, redeneren, handelen, inspecteren, updaten en stoppen of doorgaan.

De werkmethode in tien stappen

Een leesbaar proces om coding agents te sturen van taakafbakening tot en met oplevering en observatie.

Tool calling en MCP

Modellen toestaan om gecontroleerde bewerkingen aan te vragen via gevalideerde tools en standaardinterfaces.

Gebruikers- en workflowonderzoek

Taken, overdrachten, uitzonderingen en gebruikersvoortgang begrijpen voordat een workflow wordt gewijzigd.

Waarde, haalbaarheid, levensvatbaarheid en verantwoordelijkheid

Vier toetsen om te beslissen of een uitgewerkte AI‑interventie verdere investering verdient.