Binnenkort beschikbaar
Wat is een agent harness en waarom WhatsApp-support er een nodig heeft
De meeste AI in klantberichten is één vraag, één antwoord. Een agent harness maakt van een taalmodel iets dat een zaak kan behandelen: plannen, tools gebruiken, zijn werk controleren en onthouden. Hier leest u wat dat betekent, welke harnesses er nu bestaan en hoe ze naar MonoChat komen.
Of begin met $ 150 tegoed, genoeg voor een eerste maand Growth
Gepubliceerd:
Het gesprek over AI is het afgelopen jaar stilletjes verschoven van modellen naar wat eromheen zit. Hetzelfde model kan een chatbot zijn die één bericht beantwoordt, of een agent die een bezorgprobleem oplost over drie systemen en twee dagen. Het verschil zit niet in het model. Het zit in de harness.
Dit artikel legt het idee in gewone taal uit, vergelijkt de harnesses die u vandaag kunt gebruiken en laat zien wat we in MonoChat bouwen, zodat bedrijven er een kunnen draaien op WhatsApp, Instagram, webchat en elk ander kanaal in hun inbox.
Wat is een agent harness?
Een agent harness is de softwarelaag rond een groot taalmodel waarmee het kan handelen en niet alleen kan antwoorden. Het model redeneert en beslist wat het hierna doet. De harness voert die beslissing uit, geeft het resultaat terug aan het model en herhaalt dit tot het werk klaar is. Kort gezegd: agent = model + harness.
De term kwam in zwang toen teams merkten dat codeeragents zoals Claude Code en Codex hun betrouwbaarheid voor een groot deel te danken hadden aan deze omringende laag en niet aan het model alleen. Anthropic, OpenAI, Google en Microsoft leveren hun harnesses nu als producten waarop ontwikkelaars kunnen bouwen.
Waar een harness uit bestaat
- De lus: Redeneren, handelen, observeren, herhalen. De harness gaat door tot de taak klaar is of een persoon nodig is.
- Tools: Functies die het model mag aanroepen: een bestelling controleren, een boeking opzoeken, een terugbetaling uitvoeren, een kennisbank doorzoeken. Vaak gekoppeld via MCP.
- Geheugen en status: Wat er eerder in deze zaak is gebeurd, wat de klant prefereert en wat al is geprobeerd, bewaard over berichten en sessies heen.
- Contextbeheer: Bepalen wat het model bij elke stap ziet en lange geschiedenissen samenvatten (comprimeren) zodat de belangrijke delen in beeld blijven.
- Vangrails en goedkeuringen: Rechten, beleid en menselijke controlepunten voor acties die geld kosten of niet ongedaan kunnen worden gemaakt.
- Sandbox en bestanden: Een geïsoleerde werkruimte waar de agent code kan uitvoeren, een document kan voorbereiden of een offerte kan berekenen zonder live systemen aan te raken.
- Tracing en evaluatie: Een logboek van elke stap en toolaanroep, zodat teams kunnen zien waarom de agent deed wat hij deed en dit over veel runs kunnen meten.
Inferentie versus harness: wat is het verschil?
Inferentie is één enkele aanroep van een model: u stuurt een prompt, het model geeft tekst terug en de uitwisseling is voorbij. Het is snel, goedkoop en voorspelbaar en precies goed voor veel taken, zoals een bericht classificeren, een antwoord opstellen of een gesprek samenvatten.
Een harness draait veel inferentieaanroepen in een lus en voegt alles eromheen toe: tools, geheugen, controles en limieten. Het is trager en gebruikt meer tokens per taak, maar het kan werk afmaken dat meerdere stappen, externe data of een beslissing onderweg vraagt.
| AI-inferentie | Agent harness | |
|---|---|---|
| Wat het is | Eén verzoek aan een model, één antwoord | Een lus rond het model die plant, handelt en controleert |
| Stappen per taak | Eén | Zoveel als de taak nodig heeft, binnen de limieten die u instelt |
| Tools en systemen | Optioneel, meestal één functieaanroep | Veel tools, aangeroepen en gekoppeld zoals de zaak vereist |
| Geheugen | Alleen wat in de prompt staat | Zaakgeschiedenis en status bewaard over stappen en sessies heen |
| Wanneer iets mislukt | Geeft terug wat het heeft geproduceerd | Merkt de fout op, probeert opnieuw of vraagt een persoon |
| Het best voor | Classificeren, opstellen, samenvatten, losse antwoorden | Zaken oplossen, verzoeken met meerdere stappen, opvolging over dagen |
| Kosten en snelheid | Laagste kosten, bijna direct | Hoger tokengebruik, seconden tot minuten per taak |
In de praktijk gebruiken goede teams beide: inferentie voor snelle, duidelijk afgebakende stappen en een harness waar het werk echt meerdere stappen vraagt.
Wat een harness verandert in klantenservice via WhatsApp
Bij klantberichten is het verschil tussen antwoorden en oplossen het grootst. Een klant schrijft "mijn bestelling is niet aangekomen" en verwacht dat het wordt geregeld, niet dat het wordt uitgelegd.
Zaken worden opgelost, niet alleen beantwoord
De agent kan de bestelling opzoeken, de vervoerder controleren, zien dat het pakket vastzit, een claim openen en in hetzelfde gesprek een vervanging aanbieden.
Hij controleert voordat hij iets belooft
Voorraad, prijzen, afspraakmomenten en beleid worden op het moment van antwoorden in uw systemen gecontroleerd in plaats van geraden uit trainingsdata.
Hij onthoudt de zaak
Als de klant morgen terugkomt, weet de agent wat al is geprobeerd en wat is beloofd, ook nadat het WhatsApp-venster van 24 uur is gesloten.
Hij volgt na verloop van tijd op
Langlopende taken, zoals wachten tot een terugbetaling is verwerkt of een onderdeel arriveert, kunnen doorlopen en de klant een bericht sturen wanneer er iets verandert, met goedgekeurde sjablonen waar WhatsApp die vereist.
Mensen houden de regie
Terugbetalingen boven een limiet, annuleringen of iets gevoeligs wachten op goedkeuring van een teamlid en bij overdracht aan een persoon blijft de volledige geschiedenis behouden.
Elke stap is zichtbaar
Toolaanroepen en beslissingen worden gelogd, zodat leidinggevenden kunnen nagaan waarom de agent handelde en de instructies kunnen verbeteren.
Een voorbeeld: een retour via WhatsApp
- De klant stuurt een foto van een beschadigd artikel en vraagt om een retour.
- De agent vindt de bestelling, controleert of die binnen de retourtermijn valt en leest de foto.
- Hij maakt het retour aan in uw e-commercesysteem en boekt een ophaalafspraak met een koerier voor de volgende dag.
- De terugbetaling ligt boven de automatische limiet, dus hij vraagt een teamlid om goedkeuring in de inbox.
- Na goedkeuring bevestigt hij dit aan de klant en twee dagen later, wanneer de koerier het pakket scant, stuurt hij de terugbetalingsbevestiging.
Met alleen inferentie is dit een chatbot die het retourbeleid uitlegt. Met een harness is het het retour zelf.
De agent harnesses die u vandaag kunt gebruiken
Verschillende bedrijven en open-sourceprojecten bieden nu een harness waarop u kunt bouwen. Ze verschillen in wie ze host, welke modellen ze draaien en hoeveel ze standaard bevatten.
| Harness | Door | Hosting en licentie | Modellen | Belangrijkste kenmerken |
|---|---|---|---|---|
| Claude Agent SDK | Anthropic | Bibliotheek (Python, TypeScript) | Claude | De harness achter Claude Code: tools, MCP, subagents, skills, contextcompressie, rechten |
| Claude Managed Agents | Anthropic | Gehoste API (openbare bèta sinds april 2026) | Claude | Anthropic draait de lus: uitvoering in een sandbox, langlopende sessies, werk met meerdere agents, tracing |
| OpenAI Agents SDK | OpenAI | Open source, MIT (eerst Python) | OpenAI-modellen, andere via adapters | Sandboxes van meerdere aanbieders, geheugen, MCP, skills, AGENTS.md, hervatbare runs |
| Codex | OpenAI | CLI open source (Apache 2.0) plus cloud | OpenAI-modellen | Harness voor codeeragents met een SDK om hem vanuit uw eigen services te draaien |
| Agent Development Kit (ADK) | Open source, Apache 2.0 (Python, Java, Go, TypeScript) | Standaard Gemini, modelonafhankelijk | Bomen met meerdere agents, MCP, Agent2Agent-protocol (A2A), ingebouwde evaluatie | |
| Agent Framework | Microsoft | Open source, MIT (Python, .NET) | Azure OpenAI, OpenAI, Anthropic en andere | Harness stabiel sinds juli 2026: toolloop, geschiedenis, compressie, skills, goedkeuringen, OpenTelemetry |
| Deep Agents | LangChain | Open source, MIT | Modelonafhankelijk | Planning, subagents, bestandssysteem en contextengineering op LangGraph |
| Pi | Earendil Works | Open source, MIT | Elke aanbieder, breng uw eigen sleutel mee | Bewust minimale kern (lezen, schrijven, bewerken, shell) uitgebreid met deelbare skills |
| Mastra | Mastra | Open source (TypeScript) | Modelonafhankelijk | Agents met persistente threads, toolgoedkeuringen en een lokale studio |
| OpenCode | OpenCode | Open source, MIT | Modelonafhankelijk | Agents plannen en bouwen, SDK, terminal en desktop |
Details veranderen snel; raadpleeg de documentatie van elk project voor de actuele stand. Productnamen en logo's zijn eigendom van hun eigenaren.
In dit artikel vergeleken harnesses
En de eigen Business Agent van Meta?
In 2026 lanceerde Meta Meta Business Agent, zijn eigen AI-agent voor WhatsApp, Instagram en Messenger. Het is in feite een harness die Meta bouwt en draait: hij antwoordt uit uw content, roept gekoppelde systemen aan en draagt over aan uw team.
Het is een goede optie voor veel kleine bedrijven. Het is ook een gesloten systeem: u kunt het model niet kiezen, gespreksdata blijven binnen Meta, sommige sectoren zoals financiën en gezondheidszorg zijn uitgesloten en sinds augustus 2026 wordt per token gefactureerd, volgens Meta's eigen schatting ongeveer 4 tot 5 Amerikaanse cent per bericht.
Hoe de benaderingen zich verhouden
| Ingebouwde AI-agent van een berichtenplatform | Meta Business Agent | Harness in MonoChat (binnenkort) | |
|---|---|---|---|
| Het model kiezen | Meestal vast of een korte lijst | Nee | Ja, elk model dat u koppelt |
| Uw eigen harness meebrengen | Nee | Nee | Ja: Claude Agent SDK, OpenAI Agents SDK, ADK, Pi en andere |
| Gehoste optie, zonder code | Ja | Ja | Ja |
| Uw eigen tools en API's | Beperkte integraties | Connectors | Aangepaste functies, MCP, webhooks en uw API's |
| Binnen uw flows en apps | Aparte botbouwer | Los van uw flows | Een node en methoden in flows en apps, naast AI-inferentie |
| Overdracht aan uw team | Ja | Ja, met threadcontrole | Gedeelde inbox met volledige geschiedenis en goedkeuringen |
| Waar de data staat | Platform van de leverancier | Meta | MonoChat plus de aanbieders die u kiest |
Gebaseerd op openbare productinformatie in oktober 2026. De meeste berichtenplatforms die we bekeken hebben een ingebouwde AI-agent; we vonden er geen waarmee een bedrijf binnen dezelfde inbox en flows een gehoste harness kan draaien of een eigen harness kan koppelen.
Wat we in MonoChat bouwen
Met MonoChat kiest u nu al uw taalmodel en uw vectordatabase: gebruik die van ons of koppel uw eigen. Harnesses gaan op dezelfde manier werken.
Naast de AI-inferentienode en -methoden die u nu gebruikt, krijgt MonoChat een harnessnode en harnessmethoden. Zet de node in een flow of roep de methoden aan vanuit een app en het gesprek wordt overgedragen aan een agent die kan plannen, uw tools kan gebruiken en terugkoppelt.
- Gebruik een harness die wij hosten, zonder code, en kies het model en de tools die hij mag gebruiken
- Of koppel uw eigen harness, gebouwd op de Claude Agent SDK, OpenAI Agents SDK, Google ADK, Microsoft Agent Framework, Deep Agents, Pi of uw eigen code
- Geef hem uw tools: aangepaste functies, MCP-servers, webhooks en de data in MonoChat
- Draai hem in flows en in apps, op WhatsApp, Instagram, Messenger, Telegram, TikTok, webchat en sms
- Stel goedkeuringsregels en overdracht aan een medewerker in, waarbij elke stap in het gesprek wordt gelogd
- Combineer het met inferentie: snelle stappen via één aanroep, complexe zaken via de harness
Wanneer inferentie en wanneer een harness
- Gebruik inferentie voor taken in één stap: taggen, routeren, vertalen, een antwoord opstellen, een chat samenvatten.
- Gebruik een harness wanneer het verzoek van de klant meerdere stappen, data uit uw systemen of een beslissing onderweg vraagt.
- Begin klein: geef de harness twee of drie tools en een goedkeuringsregel, meet en vergroot dan wat hij mag doen.
Binnenkort in MonoChat
Harnessnodes en -methoden zijn in ontwikkeling en worden eerst uitgerold naar MonoChat-accounts. Maak vandaag een gratis account aan om uw kanalen te verbinden, uw AI-inferentieflows in te richten en klaar te zijn om een harness in te schakelen op de dag dat hij beschikbaar komt.
Wees klaar voor agent harnesses op WhatsApp
Bronnen en verder lezen
- Databricks: What is an AI agent harness?
- Anthropic: Claude Agent SDK overview
- Anthropic: Claude Managed Agents overview
- OpenAI: The next evolution of the Agents SDK
- Google: Agent Development Kit
- Microsoft: Agent Framework documentation
- LangChain: Deep Agents
- WhatsApp Business: Introducing Meta Business Agent
- Meta: WhatsApp Business Platform pricing