Waarom niet elke AI-klus dezelfde hamer nodig heeft
In de wereld van AI-agents vliegen de afkortingen je om de oren. RAG, MCP, A2A, sub-agents… Voor veel ontwikkelaars begint het te voelen als een Zwitsers zakmes met té veel functies.
In een aflevering van Serverless Expeditions van Google Cloud duiken Martin Omander en Debanshu Das in de verwarring. Hun boodschap is helder: stop met MCP overal voor te gebruiken.
Aan de hand van een fictief bedrijf — “FixIt Fast” — laten ze zien welke architectuur je wanneer inzet. Geen buzzwords, maar duidelijke vuistregels.
1. De technieker-assistent: Kies voor RAG
Stel: een technieker staat bij een defecte machine en wil snel weten welke onderdelen hij moet controleren.
Hier is RAG (Retrieval Augmented Generation) de juiste keuze.
Waarom?Omdat de AI toegang moet hebben tot een kennisbank — handleidingen, onderhoudsrapporten, foutcodes — en die informatie moet ophalen om een nauwkeurig antwoord te formuleren.
Vuistregel:👉 Heb je vooral behoefte aan context ophalen uit documenten of data? Dan is RAG je beste vriend.
Geen complexe agent-communicatie. Geen orkestratie. Gewoon slim zoeken + genereren.
2. Het executive dashboard: MCP voor controle en tooling
Wat als de directie realtime inzichten wil over prestaties, kosten of voorraden?
Hier komt MCP (Model Context Protocol) in beeld. MCP maakt het mogelijk om AI-modellen gestructureerd toegang te geven tot tools, API’s en databronnen.
In plaats van losse documenten ophalen (zoals bij RAG), moet het model nu acties uitvoeren:
- Data uit systemen trekken
- KPI’s berekenen
- API-calls doen
- Tools aanroepen
Vuistregel:👉 Moet je AI gecontroleerd laten praten met externe systemen of tools? Gebruik MCP.
Maar — en hier zit de nuance — dat betekent niet dat je MCP voor álles moet gebruiken.
3. Triage & dispatch: Sub-agents voor taakverdeling
Bij “FixIt Fast” moet een inkomende serviceaanvraag eerst geanalyseerd worden. Is het urgent? Welk team moet erop af? Moet er een specialist bij?
Hier zijn sub-agents ideaal.
In plaats van één alleswetende AI, verdeel je het werk:
- Eén agent analyseert de urgentie
- Eén controleert beschikbaarheid
- Eén plant de interventie
Vuistregel:👉 Heb je complexe workflows met duidelijke taakverdeling? Splits je systeem op in sub-agents.
Dit verhoogt schaalbaarheid én controle.
4. Garantiecontrole: A2A wanneer agents met elkaar praten
De “warranty verifier” van FixIt Fast moet informatie ophalen uit verschillende interne en externe systemen: aankoopdata, productregistratie, hersteldossiers.
Hier komt A2A (Agent-to-Agent) communicatie in beeld.
In plaats van één centrale agent die alles doet, laat je gespecialiseerde agents met elkaar praten. Bijvoorbeeld:
- Een agent voor klantendata
- Een agent voor producthistoriek
- Een agent voor garantievoorwaarden
Vuistregel:👉 Moeten meerdere agents zelfstandig samenwerken? Dan is A2A de juiste architectuur.
De grootste les: Architectuur volgt use case
De kernboodschap van Omander en Das is eenvoudig maar cruciaal:
Niet elke AI-architectuur past bij elk probleem.
Veel ontwikkelaars grijpen naar MCP omdat het krachtig is. Maar kracht zonder noodzaak leidt tot complexiteit.
Een samenvatting van hun beslisboom:
- 📚 RAG → Voor kennisophaling uit documenten
- 🛠 MCP → Voor gecontroleerde toegang tot tools en systemen
- 🧩 Sub-agents → Voor taakverdeling binnen complexe workflows
- 🤝 A2A → Voor samenwerking tussen autonome agents
Bouwen met ADK
Voor ontwikkelaars die vandaag willen starten, verwijzen ze naar het Agent Development Kit (ADK) binnen het ecosysteem van Google Cloud.
Daarmee kun je gestructureerd agents bouwen zonder telkens het wiel opnieuw uit te vinden.
|
Agent Development KitBuild powerful multi-agent systems with Agent Development Kit |
