Agentic Loop
Simpele Uitleg
Stel je voor dat je een puzzel legt. Je kijkt naar de puzzel (waarnemen), bedenkt welk stukje past (redeneren), legt het neer (handelen), en bekijkt of het klopt (evalueren). Als het niet past, probeer je opnieuw. Die cyclus van kijken-denken-doen-checken, steeds opnieuw totdat de puzzel af is — dat is een agentic loop. Het is de motor die een AI-agent laat functioneren als een zelfstandige werker in plaats van een eenmalige vraag-antwoord-machine.
Technische Definitie
Een agentic loop implementeert het Perceive-Reason-Act-Observe (PRAO) cyclus-patroon. Per iteratie doorloopt de agent vier fasen: waarneming (input en omgevingsdata verzamelen), redenering (een plan formuleren op basis van het LLM), actie (een tool aanroepen of output genereren), en observatie (het resultaat evalueren tegen het doel). Dit patroon is geformaliseerd in het ReAct framework en vormt de basis van tools als Claude Code en Anthropics agent SDK. De loop bevat stop-condities: maximale iteraties, een succesvol resultaat, of een fout die niet oplosbaar is.
Waarom Dit Belangrijk Is
Zonder een agentic loop is een AI-model reactief — het geeft één antwoord en stopt. Dat is prima voor simpele vragen, maar onbruikbaar voor complexe taken. Stel dat je een AI vraagt om een marketingcampagne op te zetten. Dat vereist onderzoek, content schrijven, beelden selecteren, en alles afstemmen op je doelgroep. Een enkel antwoord volstaat niet.
De agentic loop maakt het verschil. De agent onderzoekt je doelgroep (stap 1), schrijft conceptteksten (stap 2), checkt of ze aansluiten bij je merkidentiteit (stap 3), past aan waar nodig (stap 4), en herhaalt tot het resultaat goed is. Elk modern AI-agentic systeem — van Claude Code tot agentic IDEs — draait op dit principe.
In de ChatGPT, Claude & Gemini Masterclass leer je hoe je agents met loops effectief aanstuurt voor zakelijke taken.
Hoe Het Werkt
De agentic loop werkt als een detective die een zaak onderzoekt. Elke ronde brengt je dichter bij de oplossing.
In de eerste fase verzamelt de agent informatie: wat is de opdracht, welke data is beschikbaar, wat zijn de randvoorwaarden? Dit is de "waarneem"-fase. Bij een coderingsagent betekent dit: de codebase lezen, begrijpen wat er moet veranderen.
Dan volgt de "redeneer"-fase. Het LLM analyseert de situatie en formuleert een plan. Welke stappen zijn nodig? Welke tools moeten worden ingezet? De agent besluit bijvoorbeeld: "Ik moet eerst dit bestand aanpassen, dan die test draaien."
In de "actie"-fase voert de agent het plan uit. Dit kan een tool-aanroep zijn (bestand bewerken, API raadplegen, zoekopdracht uitvoeren) of een direct antwoord genereren.
Tot slot de "observeer"-fase: de agent bekijkt het resultaat. Is de test geslaagd? Klopt de output? Zo niet, dan start een nieuwe iteratie met de nieuwe informatie. Dit herhaalt zich totdat het doel bereikt is of een limiet is bereikt.
Deze cyclus kan bestaan uit twee iteraties bij een simpele taak, of tientallen bij een complex project. Claude Code voert regelmatig loops van 20+ iteraties uit bij grotere coderingstaken.
Use Cases
Debugging door AI
Een coding-agent ontdekt een bug, leest de foutmelding (waarnemen), analyseert mogelijke oorzaken (redeneren), past code aan (handelen), draait de tests opnieuw (observeren). Als de test nog faalt, herhaalt de loop met nieuwe informatie.
Content creatie met kwaliteitscontrole
Een schrijfagent maakt een eerste versie van een blogartikel, evalueert die op SEO-criteria en leesbaarheid, past aan, en herhaalt totdat alle criteria voldaan zijn. Teams leren dit toepassen in de AI als Teamsport training.
Data-analyse met iteratieve verdieping
Een analyse-agent bekijkt een dataset, stelt een hypothese op, toetst die met een query, en verdiept op basis van de resultaten. Elke loop-iteratie levert diepere inzichten op. De AI voor Finance teams training behandelt dit patroon.
Onderzoek en rapportage
Een research-agent zoekt informatie over een onderwerp, evalueert de bronnen op betrouwbaarheid, vult kennishiaten aan met nieuwe zoekopdrachten, en compileert pas een rapport wanneer er voldoende betrouwbare informatie is verzameld.
Voorbeelden
Claude Code in actie
ReAct framework
Verschil met eenmalig prompting
Veelgemaakte Fouten
"De AI denkt in één keer het juiste antwoord"
Zelfs de beste modellen hebben vaak meerdere iteraties nodig voor complexe taken. De kracht van agents zit niet in het eerste antwoord, maar in het vermogen om te verbeteren via de loop. Daarom zijn agentic tools zo effectief.
"Meer loops is altijd beter"
Elke iteratie kost tokens en tijd. Een agent die eindeloos itereert zonder vooruitgang verspilt resources. Goede agents hebben duidelijke stop-condities en een maximum aantal iteraties.
"De loop draait volledig automatisch zonder risico"
Zonder guardrails kan een agent in een verkeerde richting blijven werken. Human-in-the-loop checkpoints bij kritieke beslissingen zijn essentieel, vooral bij taken die geld kosten of externe systemen beïnvloeden.
Tools Die Dit Gebruiken
Veelgestelde Vragen
Hoeveel iteraties doet een agentic loop gemiddeld?
Wat is het verschil tussen een agentic loop en een gewone for-loop in code?
Kan een agentic loop vastlopen?
Wat is de inner loop versus de outer loop?
Gerelateerde Termen
Wil je deze term in de praktijk leren toepassen?