AI-agents gaan een stap verder dan klassieke generatieve AI. Ze beantwoorden niet alleen vragen, maar kunnen informatie verzamelen en verwerken, tools gebruiken en verschillende stappen uitvoeren om een doel te bereiken. Maar hoe vertaal je dat naar een concrete toepassing binnen jouw organisatie? En hoe bouw je zelf zo'n agent? Tijdens deze hands-on workshop ga je zelf aan de slag.
Je vertrekt vanuit een concrete use case en bouwt stap voor stap een werkende AI-agent met Python, LangChain en LangGraph. De focus ligt op doen: je krijgt de aanpak eerst te zien aan de hand van een live demo en past die vervolgens zelf toe.
Een AI-agent kan bijvoorbeeld:
- een offerteaanvraag verwerken, klant- en productgegevens ophalen en een voorstel voorbereiden;
- een klantvraag analyseren, informatie uit verschillende bronnen raadplegen en een antwoord of vervolgactie voorbereiden;
- leveranciersinformatie verzamelen en vergelijken op basis van vooraf bepaalde criteria;
- informatie verwerken en op basis daarvan verschillende stappen binnen een workflow uitvoeren.
Programma
Van use case naar AI-agent
Niet elk proces vraagt om een AI-agent. We starten daarom bij de juiste use case: waar kan een agent echt een verschil maken en welke taak wil je ermee oplossen?
Je leert hoe je een use case afbakent en vertaalt naar een duidelijke opdracht voor je agent. Daarbij bepaal je welke informatie nodig is, welke stappen de agent moet uitvoeren en welk resultaat je verwacht.
Bouw je eigen AI-agent
Vervolgens gaan we bouwen. Aan de hand van een live demo ontdek je hoe de verschillende bouwstenen van een AI-agent samenwerken. Daarna ga je zelf aan de slag met Python, LangChain en LangGraph. Je leert onder andere hoe je:
- het doel en de instructies van je agent bepaalt;
- de juiste context en informatie meegeeft;
- tools en acties koppelt;
- verschillende stappen binnen een workflow laat samenwerken;
- logica en beslissingen in je agent opbouwt;
- je agent taken zelfstandig laat uitvoeren.
Tijdens het bouwen is er ruimte om vragen te stellen, te experimenteren en je agent verder te verfijnen.
Test, verbeter en bouw verder
Een goede AI-agent ontstaat door te testen en bij te sturen. Je probeert verschillende scenario's uit, bekijkt waar de agent vastloopt of onverwachte resultaten geeft en past de instructies, context of workflow aan.
Zo krijg je niet alleen inzicht in hoe AI-agents technisch worden opgebouwd, maar ga je ook naar huis met de aanpak om nadien zelf verder te experimenteren met toepassingen binnen jouw organisatie.
Expert
Floris Remmen is oprichter van Understanding Data. Hij helpt organisaties om meer waarde te halen uit data via analytics, automatisering en AI, en combineert daarbij technische expertise met een sterke focus op concrete toepassingen.
Voor wie?
Deze workshop is bedoeld voor professionals die al vertrouwd zijn met generatieve AI en zelf de volgende stap willen zetten naar het bouwen van AI-agents.
Omdat we tijdens de workshop effectief programmeren, is kennis van Python noodzakelijk. Ervaring met LangChain of LangGraph is niet vereist.
Kmo-portefeuille
Voor deze opleiding kan je ook gebruikmaken van de kmo-portefeuille. Jouw aanvraag dient te gebeuren ten laatste binnen de 14 dagen na de eerste sessie via www.kmo-portefeuille.be. Indien je beroep doet op de kmo-portefeuille, dien je nog btw op de volledige opleidingskost te betalen.
Benodigde informatie kmo-portefeuille
- Het registratienummer van Voka – Kamer van Koophandel West-Vlaanderen: DV.O104126
- Type dienstverlening: opleiding
- Startdatum prestaties: 17/11/2026
- Einddatum prestaties: 17/11/2026
- Projectbedrag: € 255 voor leden, € 385 voor niet-leden
- Aantal opleidingsuren: 3
- Thema: Digitalisering
