Wie complexe AI-workflows bouwt, komt vroeg of laat bij hetzelfde probleem uit: één steeds grotere prompt moet almaar meer instructies, beslissingen en taken verwerken. Dat lijkt eenvoudig, maar naarmate de workflow groeit, neemt ook de kans toe dat een AI-model stappen overslaat, informatie verkeerd interpreteert of begint te hallucineren.
Google schuift daarom een andere aanpak naar voren: Graph Engineering. In combinatie met het Agent Development Kit (ADK) worden complexe AI-systemen niet opgebouwd rond één gigantische prompt, maar rond een netwerk van gespecialiseerde stappen, functies en agenten.
Het resultaat lijkt minder op één slimme chatbot en meer op een gestructureerde digitale organisatie.
Van monolithische prompt naar AI-grafiek
Bij een traditionele aanpak krijgt een taalmodel bijvoorbeeld de opdracht om gegevens te verzamelen, verschillende analyses uit te voeren, resultaten te vergelijken en uiteindelijk een conclusie te formuleren.
Al die verantwoordelijkheden zitten in dezelfde prompt. Graph Engineering breekt dat proces op. Iedere taak wordt een afzonderlijke node in een grafiek. Zo'n node kan een gewone functie zijn, maar ook een AI-agent die een specifieke opdracht uitvoert.
De verbindingen tussen de nodes bepalen vervolgens hoe informatie door het systeem stroomt. Daardoor ontstaat een architectuur waarin vooraf duidelijk is welke stap wanneer wordt uitgevoerd en welke gegevens naar de volgende stap gaan.
Een marathon als demonstratie
In de tutorial wordt het principe uitgelegd aan de hand van een marathonrace. Die demonstratie laat zien hoe een relatief eenvoudige workflow snel complex kan worden zodra meerdere analyses tegelijkertijd moeten plaatsvinden.
In plaats van één model alles achter elkaar te laten oplossen, wordt het proces verdeeld over verschillende takken. Dat maakt meteen een belangrijk verschil zichtbaar: de workflow zelf neemt een deel van de intelligentie over die anders in de prompt zou moeten zitten.
Het taalmodel hoeft daardoor niet voortdurend zelf te bedenken welke stap vervolgens moet worden uitgevoerd.
Fan-out laat verschillende taken parallel werken
Een van de belangrijkste patronen is fan-out.
Daarbij vertrekt informatie vanuit één punt naar verschillende nodes die tegelijkertijd kunnen werken. Een systeem zou bijvoorbeeld parallel wedstrijdgegevens, weersomstandigheden en prestaties van deelnemers kunnen analyseren.
Voor multi-agentarchitecturen is dat bijzonder interessant. Verschillende gespecialiseerde agenten hoeven niet langer op elkaar te wachten wanneer hun taken onafhankelijk van elkaar kunnen worden uitgevoerd.
Dat kan workflows niet alleen overzichtelijker, maar ook sneller maken.
De join node brengt alles opnieuw samen
Parallel werken creëert vervolgens een nieuw probleem: de afzonderlijke resultaten moeten opnieuw worden gecombineerd.
Daarvoor gebruikt Graph Engineering een join node. Deze node wacht tot de noodzakelijke onderdelen van verschillende takken beschikbaar zijn en brengt ze vervolgens op een voorspelbare manier samen.cDat is belangrijk omdat niet iedere stap door een taalmodel hoeft te worden uitgevoerd. Wanneer gegevens volgens vaste regels kunnen worden gecombineerd, kan gewone softwarelogica dat betrouwbaarder en goedkoper doen.
De architectuur wordt daarmee een combinatie van deterministische software en generatieve AI.
Routers bepalen welke route wordt gevolgd
Een derde belangrijk patroon is de router.
Een router beslist welke tak van de grafiek moet worden uitgevoerd. Daarbij maakt Google onderscheid tussen deterministische routers en routers die een taalmodel gebruiken.
Wanneer de beslisregels vooraf bekend zijn, kan een klassieke router volstaan. Denk bijvoorbeeld aan een workflow waarin een bepaald type aanvraag automatisch naar een specifieke agent wordt gestuurd. Pas wanneer de beslissing interpretatie of redenering vereist, wordt een LLM-router interessant.
Dat onderscheid kan grote gevolgen hebben voor snelheid, kosten en betrouwbaarheid. Een AI-model inzetten voor een beslissing die met eenvoudige logica kan worden genomen, voegt immers onnodige complexiteit toe.
Eén LLM-call voor een complexe workflow
Een opvallend onderdeel van de demonstratie is de optimalisatie van de architectuur. Een workflow met verschillende vertakkingen hoeft niet noodzakelijk voor iedere node opnieuw een taalmodel aan te roepen.
Door functies, routers en dataverwerking slim te combineren, kan een uitgebreide multi-branchworkflow in bepaalde gevallen met slechts één LLM-call worden uitgevoerd. Dat verandert de economische logica achter agentic AI.
De vraag wordt dan niet langer hoeveel AI-agenten een organisatie kan inzetten, maar waar een taalmodel daadwerkelijk nodig is. Alles wat voorspelbaar met gewone code kan worden opgelost, kan buiten het model blijven.
Graph Engineering als architectuurlaag voor AI-agenten
Daarmee gaat Graph Engineering uiteindelijk over meer dan grafieken tekenen. Het is een manier om verantwoordelijkheden tussen software en AI duidelijk af te bakenen. Functies verwerken deterministische taken, gespecialiseerde agenten behandelen onderdelen waarvoor intelligentie nodig is en routers bepalen welke route een proces volgt.
Fan-out maakt parallelle uitvoering mogelijk, terwijl join nodes de resultaten opnieuw gecontroleerd samenbrengen.
Voor productieomgevingen kan die aanpak belangrijk worden. In plaats van steeds grotere prompts te schrijven en te hopen dat het model alle instructies correct uitvoert, wordt de intelligentie verdeeld over een expliciete architectuur. De AI-agent wordt daarmee niet langer het volledige systeem. Hij wordt één onderdeel van het systeem.
En precies daarin zit de kracht van Graph Engineering: niet proberen één AI-model alles te laten doen, maar een workflow ontwerpen waarin AI alleen wordt ingezet op de plaatsen waar AI werkelijk waarde toevoegt.
