Hoe bouw je een netwerk van AI-agents in één avond zonder je verstand te verliezen

Wanneer je begint met het werken met LLM-agents, kom je snel tegen een plafond aan. Een enkele agent raakt verstrikt in lange instructies, vergeet context, of hallucineert simpelweg waar precisie nodig is. De logische oplossing is om taken te verdelen tussen verschillende gespecialiseerde agents. Maar daar begint de echte orkestratiehel: hoe communiceren ze met elkaar, hoe geef je data door, en wie is verantwoordelijk voor wat?

Onlangs stuitte ik op het Neuro SAN Studio-project van de mensen bij Cognizant AI Lab. Het is in wezen een sandbox voor hun Neuro SAN-framework. Kort samengevat: ze bieden een manier om multi-agent systemen te bouwen niet via eindeloze Python-codeketens, maar via declaratieve configs.

Wat zit er in deze Studio

Neuro SAN Studio is een kant-en-klare werkende omgeving. De auteurs hebben het framework zelf, een visuele editor en een heleboel voorbeelden verpakt die met één commando kunnen worden uitgevoerd. De kerngedachte is dat een ontwikkelaar een agent-interactieschema kan schetsen in een HOCON-bestand (dat is een uitgebreid JSON-formaat van Lightbend), en het systeem regelt de verbindingen automatisch.

Interessant is dat het project niet alleen gericht is op mensen die 24/7 code schrijven. Ze hebben de Agent Network Designer toegevoegd — in wezen een meta-agent. Je voert een beschrijving van je taak in gewone menselijke taal in, en het genereert de netwerkstructuur, schrijft prompts voor elke deelnemer, en koppelt ze aan elkaar tot een werkende keten.

Wat dit project onderscheidt van vergelijkbare tools

Ik heb veel agent-frameworks gezien, maar hier vielen verschillende specifieke dingen op.

Ten eerste het AAOSA-protocol. Het klinkt als academisch jargon, maar in de praktijk is het een nuttige toevoeging. Agents beslissen zelf aan wie ze een subtaak delegeren, op basis van de situatie. Dit maakt het systeem flexibeler dan de starre grafieken in LangGraph.

Ten tweede datasbeveiliging. Ze hebben het concept van Sly-Data. Het idee is dat gevoelige data (wachtwoorden, klantgegevens) tussen agents kunnen worden doorgegeven, maar het taalmodel zelf ziet het niet. Dit is cruciaal als je iets bouwt voor fintech of healthcare.

Ten derde MCP (Model Context Protocol)-ondersteuning. Dit is een gloednieuwe standaard van Anthropic waarmee agents eenvoudig verbinding kunnen maken met verschillende tools — van Google Drive tot lokale databases.

Hoe ermee aan de slag te gaan

Om te beginnen heb je Python en de uv package manager nodig (het is helemaal de rage momenteel en werkt echt snel).

Na ns init zal de studio vragen welke modellen je wilt gebruiken (OpenAI, Anthropic of Gemini). Vervolgens moet je API-keys doorgeven aan omgevingsvariabelen en kun je de UI starten:

De interface draait op localhost. Daar kun je kant-en-klare voorbeelden importeren. Ik raad aan om de Industry-sectie te bekijken — daar staan configs voor bankcompliance, luchtvaartklantenservice en zelfs marktanalyse. Dit helpt om te begrijpen hoe je complexe prompts moet structureren.

Praktische use cases

De repository bevat voorbeelden die laten zien dat dit niet zomaar een speeltje is voor chatbots. Bijvoorbeeld:

• Therapeutische supervisie: verschillende expert-agents analyseren een patiëntcasus en ontwikkelen gezamenlijk een behandelplan.
• Tochiro bestandsorganisator: een agent voor macOS die mappen analyseert, een opschoonplan voorstelt en bestanden herorganiseert na jouw goedkeuring.
• Jaarrapportanalyse: het systeem leest je LinkedIn-profiel en haalt uit een enorm PDF-bedrijfsrapport alleen de secties die relevant zijn voor jouw ervaring en functie.

Is het de moeite waard

Het project ziet er solide uit, vooral als je snel een prototype van een complex systeem moet bouwen. Aan de negatieve kant dwingt de documentatie je soms om in de broncode te duiken, en HOCON-configs vereisen wat gewenning. Maar de mogelijkheid om agent-redeneerketens visueel te debuggen in real time is het waard.

Als je het beu bent om honderden regels code te schrijven om alleen maar context tussen twee LLM's door te geven, is Neuro SAN Studio misschien precies het tool dat je een paar weken van je leven bespaart. In ieder geval is het absoluut de moeite waard om met de Agent Network Designer te spelen — het is best fascinerend om te zien hoe één agent het werk van anderen ontwerpt.

Waar het voor bedoeld is:

• Ontwikkelaars die RAG-systemen bouwen die complexer zijn dan "Q&A over één PDF."
• Architecten die AI-logica moeten visualiseren en beheersen.
• Mensen die een multi-agent benadering willen proberen maar niet klaar zijn om alles vanaf nul op te bouwen in pure Python.