Agent

Agentknooppunt

Overzicht

Het Agent-knooppunt is waar AI in je workflow komt. Het kan tekst analyseren, intelligente beslissingen nemen, gestructureerde gegevens extraheren, inhoud genereren, vragen beantwoorden en nog veel meer — allemaal met behulp van instructies in natuurlijke taal.

Het beste voor: Inhoudsanalyse, categorisatie, gegevensextractie, besluitvorming, samenvatting en elke taak die intelligentie vereist.

Wanneer het Agent-knooppunt te gebruiken

Perfect voor:

• Inhoud analyseren en categoriseren

• Gestructureerde gegevens extraheren uit ongestructureerde tekst

• Beslissingen nemen op basis van criteria

• Samenvattingen of rapporten genereren

• Sentimentanalyse

• Vragen over gegevens beantwoorden

• Inhoud genereren

• Vertaling en taaltaken

Niet ideaal voor:

• Eenvoudige datatransformaties (gebruik Code-knooppunt)

• Wiskundige berekeningen (gebruik Code-knooppunt)

• Directe API-aanroepen (gebruik HTTP Request-knooppunt)

Configuratie

Selecteer of Maak Agent

Bestaande Agent gebruiken

• Kies uit je workspace-agents

• Erft de configuratie en kennis van de agent

• Consistent gedrag tussen chat en workflows

Nieuwe Agent aanmaken

• Definieer agent specifiek voor deze workflow

• Onafhankelijk configureren

• Geoptimaliseerd voor automatisering

Agentinstructies

Goede instructies (voorbeeld)

Analyseer de klantfeedback en bepaal:
1. Sentiment (positief, neutraal, negatief)
2. Hoofdcategorie onderwerp (product, dienst, prijsstelling, ondersteuning)
3. Urgentieniveau (laag, gemiddeld, hoog)
4. Belangrijke genoemde problemen

Feedback: {{trigger.output.feedback_text}}

Slechte instructies (voorbeeld)

Analyseer deze feedback: {{trigger.feedback_text}}

Invoervariabelen

Geef gegevens van vorige knooppunten door aan de agent:

Klant:
{{trigger.output.customer_name}}
Bestelnummer:
{{trigger.output.order_id}}
Probleem:
{{trigger.output.description}}

Analyseer dit supportticket en categoriseer het alstublieft.

Gestructureerde output (aanbevolen)

Waarom gestructureerde output gebruiken:

• Gegarandeerd formaat (altijd geldige JSON)

• Geen parsefouten

• Betrouwbaar voor downstream-knooppunten

• Makkelijker om te debuggen

Voorbeeld:

{
  "sentiment": "positief",
  "category": "product_feedback",
  "priority": "medium",
  "summary": "Klant is blij met de nieuwe functie",
  "action_needed": false
}

Configureer de gestructureerde output met de onderstaande stappen:

1

Gestructureerde output inschakelen

Zet de optie "Gestructureerde output" voor het agentknooppunt aan.

2

Definieer outputvelden

Voeg velden toe met:

• Veldnaam

• Type (string, number, boolean, array)

• Beschrijving

Tools & mogelijkheden

Schakel extra mogelijkheden voor de agent in:

Webzoeken

• Agent kan op internet zoeken

• Goed voor fact-checking en actuele informatie

• Voegt kosten per zoekopdracht toe

Code-uitvoering

• Agent kan Python-code schrijven en uitvoeren

• Goed voor berekeningen en data-analyse

• Veilige gesandboxte omgeving

Integraties

• Agent kan verbonden integratieacties gebruiken

• Toegang tot je tools en gegevens

• Goed voor dynamische workflows

Voorbeeldgebruik

Inhoudscategorisatie

Agentconfiguratie:
- Instructies: "Categoriseer dit artikel op onderwerp en stel tags voor"
- Input: {{trigger.article_text}}
- Model: GPT-3.5 Turbo
- Gestructureerde output:
  {
    "category": "string",
    "tags": ["string"],
    "confidence": "number"
  }

Leadkwalificatie

Agentconfiguratie:
- Instructies: "Beoordeel deze lead op basis van bedrijfsgrootte, rol en use case"
- Input:
  Bedrijf: {{trigger.company}}
  Rol: {{trigger.role}}
  Use case: {{trigger.use_case}}
- Model: GPT-4
- Gestructureerde output:
  {
    "score": "number (0-100)",
    "qualification": "hot|warm|cold",
    "reasoning": "string"
  }

Documentensamenvatting

Agentconfiguratie:
- Instructies: "Vat dit document samen in 3-5 bulletpoints"
- Input: {{trigger.document_text}}
- Model: Claude Sonnet
- Gestructureerde output:
  {
    "summary_points": ["string"],
    "key_topics": ["string"],
    "word_count": "number"
  }

Sentimentanalyse

Agentconfiguratie:
- Instructies: "Analyseer sentiment en emotionele toon"
- Input: {{trigger.customer_message}}
- Model: GPT-3.5 Turbo
- Gestructureerde output:
  {
    "sentiment": "positief|neutraal|negatief",
    "emotion": "string",
    "confidence": "number"
  }

Toegang tot agentoutput

Zonder gestructureerde output:

{{agent_node_name.output.response}}

Met gestructureerde output:

{{agent_node_name.output.sentiment}}
{{agent_node_name.output.category}}
{{agent_node_name.output.summary}}
{{agent_node_name.output.tags[0]}}

Prompt-engineering tips

Wees expliciet

❌ "Analyseer deze tekst"
✅ "Analyseer deze klantfeedback en categoriseer als bug, feature request of vraag"

Voorzie context

Je analyseert klantensupporttickets voor een SaaS-bedrijf.
Categoriseer op urgentie op basis van:
- Urgent: Systeem uit, gegevensverlies, beveiligingsprobleem
- Hoog: Blokkeert het werk van de gebruiker
- Middel: Ongemak maar heeft een workaround
- Laag: Feature-aanvraag of vraag

Gebruik voorbeelden

Categoriseer deze problemen:
Voorbeeld 1: "Kan niet inloggen, krijgt 500-fout" → Urgent
Voorbeeld 2: "Hoe exporteer ik data?" → Laag

Nu categoriseer: {{trigger.issue}}

Beperk de output

Reageer met ALLEEN één van deze categorieën: bug, feature, question
Leg je redenering niet uit.

Best practices

• Gebruik altijd gestructureerde output Voor workflows is gestructureerde output vrijwel altijd beter. Het voorkomt parsefouten en maakt gegevens makkelijker te gebruiken in volgende knooppunten.

• Wees specifiek in instructies Duidelijke, gedetailleerde instructies leiden tot betere resultaten. Voeg voorbeelden toe als de taak complex is.

• Beperk de invoerlengte Agenten werken het beste met gerichte inputs. Als je lange documenten verwerkt, overweeg dan eerst relevante secties te extraheren.

• Test met echte gegevens De prestaties van agenten kunnen variëren. Test met echte data-voorbeelden om consistente resultaten te garanderen.

• Omgaan met randgevallen Voeg validatie toe na het agentknooppunt om onverwachte outputs of fouten af te handelen.

Volgende stappen

Titel

Code-knooppunt — Gegevens transformeren vóór/na agentverwerking

Doel

Code

Titel

Voorwaardelijk knooppunt — Routeren op basis van agentbeslissingen

Doel

Voorwaarde

Titel

Kostenbeheer — Optimaliseer agentkosten

Doel

Kostenbeheer

Titel

Agents — Leer over het gebruik van agents in workflows

Doel

Introductie tot agenten