In het kort
Geef elke agent een toetsbaar doel dat de run beëindigt, harde limieten op stappen, tokens, tijd en uitgaven, en lusdetectie die hem stopt als hij zichzelf herhaalt. Kort de context in die elke stap meeneemt, gebruik gewone code voor beslissingen die een regel kan nemen en stuur eenvoudige deeltaken naar kleine modellen. Agents kunnen vele malen de tokens van een chat gebruiken, dus deze limieten betalen zich snel terug.
Stappen
- Definieer een succescontrole die de run beëindigt zodra het doel is bereikt.
- Stel harde limieten in op stappen, tokens, tijd en uitgaven, en log wanneer een run er een bereikt.
- Detecteer herhaalde acties of vrijwel identieke berichten en stop de run.
- Vat oude geschiedenis samen of laat die weg, zodat elke aanroep minder leest.
- Gebruik gewone code voor beslissingen op basis van regels en kleine modellen voor eenvoudige deeltaken.
- Log tokens per voltooide taak, inclusief herhaalpogingen en mislukte runs.
Geef elke agent limieten en een stopvoorwaarde voordat hij in productie gaat. Agents roepen een model steeds opnieuw aan, en elke aanroep draagt meestal de groeiende geschiedenis van de taak met zich mee.
Waarom doet het ertoe?
Anthropic meldde dat zijn agents doorgaans ongeveer vier keer zoveel tokens gebruikten als een chat, en multi-agentsystemen ongeveer vijftien keer zoveel. Cemri en collega's analyseerden meer dan 1.600 traces uit zeven multi-agentframeworks en vonden 14 verschillende faalwijzen, van een slechte taakomschrijving tot agents die hun werk niet controleren. Elk daarvan is een manier om tokens uit te geven zonder resultaat.
Welke vangrails werken?
- Een stopvoorwaarde. Het patroon van de Green Software Foundation voor agent-orkestratie adviseert om agentlussen te stoppen zodra de doelen bereikt zijn, in plaats van een vast aantal iteraties te draaien.
- Harde limieten. De meeste frameworks ondersteunen ze; de OpenAI Agents SDK heeft bijvoorbeeld een instelling
max_turnsdie een run stopt als die wordt overschreden. Limieten moeten veilig falen: stoppen en melden, niet stilletjes opnieuw proberen. - Lusdetectie. Signaleer herhaalde toolaanroepen of vrijwel identieke berichten tussen agents.
- Context inkorten. Neem samenvattingen mee, geen complete documenten en logs. Zie hoe u voorkomt dat het hele gesprek opnieuw wordt verstuurd.
- Caching. Stel niet twee keer dezelfde vraag: zie hoe u caching gebruikt.
Wat maakt het grootste verschil?
Het eenvoudigste ontwerp gebruiken dat werkt. Een vast script of één goed geformuleerde modelaanroep met een tool volstaat vaak. Voeg daarna één agent met een stappenlimiet toe, en meerdere agents alleen voor brede, waardevolle, echt parallelle taken. Een Britse green AI-sandpit (een verkennende werksessie) in 2026 met wiskundigen, informatici en het bedrijfsleven wees zwermen agents die zichzelf in lussen vastzetten aan als een reële en weinig onderzochte bron van verspilling.
Lees agentische AI en tokenverspilling voor het bewijs.
Bronnen
- How we built our multi-agent research system, Anthropic (2025)
- Why do multi-agent LLM systems fail?, Cemri et al. (2025)
- Running agents (max_turns), OpenAI Agents SDK documentation (2025)
- Optimize agent orchestration to reduce unnecessary model calls, Green Software Foundation, Green Software Patterns (2025)
Gerelateerd
Agentische AI en verspilde tokens
Waarom AI-agents vele malen meer tokens en energie gebruiken dan een chat, hoe lussen ze verspillen, en welke vangrails agents op de juiste maat houden.
Hoe stuur ik verzoeken door naar kleinere AI-modellen?
Zo stuurt u routineverzoeken naar een klein model en alleen moeilijke naar een groot model, en stemt u de router af zodat herhaalpogingen de besparing niet opeten.
Hoe gebruik ik caching om de energie van LLM-aanroepen te verminderen?
Twee soorten caching die LLM-werk verminderen: prompt caching bij de aanbieder voor herhaalde context, en uw eigen cache voor identieke vragen.
Hoe gebruik ik AI-agents en deep research-tools zonder verspilling?
Wanneer AI-agents en deep research-modi hun veel hogere tokengebruik waard zijn, en hoe u ze instrueert zodat ze snel klaar zijn in plaats van rondjes te draaien.