Agentic engineering

Agentic engineering is software bouwen met AI-codeeragents terwijl een vakmens de regie houdt. De agent schrijft code en voert die uit om te zien of ze werkt. De ontwikkelaar bepaalt wat er gebouwd wordt, beschrijft dat precies en controleert het resultaat voordat het live gaat. Laat je software bouwen, dan is het het verschil tussen code die iemand heeft gecontroleerd en code die een AI ongezien heeft gemaakt.

Waar komt de term vandaan?

Andrej Karpathy bedacht in februari 2025 de term vibe coding: een taalmodel code laten schrijven terwijl je vergeet dat de code bestaat. Een jaar later, in een bericht op X (februari 2026), schreef hij dat programmeren via LLM-agents voor professionals een standaardwerkwijze aan het worden was, met meer toezicht en controle. Zijn favoriete naam daarvoor was agentic engineering: agentic omdat je vooral agents aanstuurt die de code schrijven en zelf toezicht houdt, engineering omdat het een vak is dat je kunt leren en waarin je beter kunt worden.

In dezelfde maand begon Simon Willison zijn gids Agentic Engineering Patterns. Hij definieert de term als software ontwikkelen met hulp van codeeragents, en bewaart vibe coding voor ongecontroleerde code van prototypekwaliteit.

Hoe werkt het?

Een codeeragent, zoals Claude Code, OpenAI Codex of Gemini CLI, is een AI-agent die code kan schrijven en uitvoeren. In de woorden van Willison voert een agent in een lus tools uit om een doel te bereiken. Het uitvoeren van code is daarbij de kern: de agent kan zijn eigen werk testen en blijven bijsturen tot de software aantoonbaar werkt. Het werk van de ontwikkelaar verschuift naar de agent de juiste tools geven, het probleem precies genoeg beschrijven en het resultaat controleren.

Willison verzamelt patronen die dit beheersbaar houden:

• Red/green TDD: de agent schrijft eerst een test, controleert dat die faalt, en schrijft dan de code waardoor hij slaagt. Dat voorkomt code die niet werkt en code die nooit wordt gebruikt.
• "First run the tests" als eerste prompt van een sessie, zodat de agent weet dat er een testsuite is en die blijft gebruiken.
• Git voor elke wijziging, zodat je fouten kunt terugvinden en terugdraaien.
• De instructies van de agent bijwerken na een fout. Een taalmodel leert niet van zijn fouten; een codeeragent wel, als je de les opschrijft (agent operational memory).

Waar gaat het mis?

• Ongecontroleerde code. Willison noemt het een anti-patroon om een pull request te openen met code van een agent die je zelf niet hebt nagekeken: je schuift het echte werk door naar je collega's.
• Cognitieve schuld. Als niemand meer begrijpt hoe de code van de agents werkt, wordt het plannen van nieuwe functies moeilijker, net als bij technische schuld.

En agent engineering?

Een term die erop lijkt, gaat over ander werk. LangChain (december 2025) gebruikt agent engineering voor het steeds herhaalde proces waarin je onvoorspelbare LLM-systemen omvormt tot betrouwbare producten: bouwen, testen, uitrollen, observeren, verbeteren, herhalen. Dat werk gaat over hoe agents worden gebouwd, geëvalueerd en georkestreerd. Ook daar telt het ontwerp rond het model: de studie MASEval (maart 2026) vergeleek 3 frameworks en 3 modellen op 3 benchmarks en vond dat de keuze van het framework even zwaar weegt als de keuze van het model.

Voorbeeld

Stel: een ontwikkelaar voegt een boekingsformulier toe aan een website. Ze beschrijft de velden en de validatieregels en vraagt de codeeragent om red/green TDD te gebruiken. De agent schrijft tests die falen, daarna de code, draait de tests en toont de wijzigingen. De ontwikkelaar leest de code, probeert het formulier in een browser en opent pas dan een pull request, met notities over hoe ze het heeft getest.