Verschil tussen AI-agent, LLM en AI-assistent uitgelegd

Wat is het verschil tussen een AI-agent, een LLM en een AI-assistent?

Een AI-agent, een LLM en een AI-assistent vormen drie lagen van één stack. Het onderscheid tussen deze drie wordt duidelijk wanneer u kijkt naar wat elk onderdeel van een server vereist. Een LLM (large language model) is een bestand met gewichten dat RAM en rekenkracht nodig heeft. Een assistent is dat model verpakt in een chatinterface, voorzien van een account en opgeslagen geschiedenis; dit draait bijna altijd op de hardware van een externe partij. Een agent is een assistent die bovendien beschikt over tools en een lus (loop), en die inloggegevens beheert. Dit dwingt de agent naar een machine die continu actief blijft.

De meeste teksten over dit onderwerp beperken zich tot de definities. De definities zijn echter alleen relevant omdat elke laag op een andere manier kosten met zich meebrengt. De eerste kost RAM. De tweede kost een publieke URL en TLS (transport layer security). De laatste kost inloggegevens, en een inloggegeven dat door een agent is gebruikt, is een inloggegeven dat u vervolgens moet roteren.

Een LLM bestaat uit gewichten en gewichten vereisen RAM

Een LLM is een bestand met getallen. U downloadt het, een runtime laadt het in het geheugen en het beantwoordt één verzoek per keer. De afspraak is strikt: tekst gaat erin, tekst komt eruit. Het model heeft geen geheugen tussen aanroepen door, geen klok, geen netwerktoegang en geen mogelijkheid om een bestand te openen. Alles wat een LLM lijkt te onthouden, is door het aanroepende programma in de context geplakt.

Het getal dat uw VPS-plan bepaalt, is de grootte van dat bestand, omdat het geheel in het geheugen blijft staan terwijl het model draait. Bij de 4-bit kwantisatie die Ollama standaard meelevert, kunt u rekenen op ongeveer 0,6 GB per miljard parameters, plus een gigabyte of twee voor het contextvenster en de runtime zelf.

[
  {
    "label": "qwen3:4b",
    "download_gb": 2.5,
    "ram_gb_needed": 6
  },
  {
    "label": "qwen3:8b",
    "download_gb": 5.2,
    "ram_gb_needed": 8
  },
  {
    "label": "qwen3:14b",
    "download_gb": 9.3,
    "ram_gb_needed": 12
  },
  {
    "label": "qwen3:32b",
    "download_gb": 20.0,
    "ram_gb_needed": 24
  }
]

De qwen3:8b-build is 5.2 GB op schijf en vereist ongeveer 8 GB RAM om te draaien zonder te swappen. Een VPS van 4 GB zal qwen3:14b niet laden, wat 9.3 GB is voordat u er ook maar één woord in typt. De grootste rij hier, qwen3:32b, heeft ongeveer 24 GB nodig, wat op de meeste prijslijsten een ander plan en een andere maandelijkse factuur betekent.

Passen in het geheugen is één vraag. Snelheid is een andere. Op een VPS die alleen op CPU draait, is de bottleneck de geheugenbandbreedte in plaats van de kloksnelheid, dus een model dat past kan nog steeds antwoorden met enkele tokens per seconde. Dat is prima voor een taak die 's nachts draait, maar onprettig voor chat. Een GPU verbetert dat cijfer met ongeveer een factor tien, en het verhoogt ook uw factuur, dus beslis op basis van een meting: benchmark de VPS met de werklast die u wilt draaien en lees wanneer een GPU-VPS zijn prijs waard is. Om de gewichten überhaupt draaiende te krijgen, begint u met Ollama op uw eigen VPS.

Een assistant is een LLM plus een chatinterface

Een assistant is de productlaag rondom een model. ChatGPT en Claude zijn assistants: een model, een chatvenster, een account, opgeslagen gesprekken en een snelheidslimiet. Vrijwel niets daarvan draait op hardware die u beheert; daarom kost een gehoste assistant een abonnement en verbruikt deze nul RAM op uw eigen systeem.

De zelfgehoste versie is een front-end zoals Open WebUI, gekoppeld aan een lokale Ollama of een gehoste API. De front-end is lichte software. Reken op ongeveer 1 GB resident geheugen voor de chatinterface, bovenop wat het model zelf nodig heeft. Wat deze wel nodig heeft, in tegenstelling tot een kaal model, is een publieke URL en een certificaat, omdat u deze vanaf een telefoon wilt benaderen: geef het certificaat uit met Certbot en Nginx, of beëindig TLS bij Traefik voor meerdere applicaties. Als u nog een front-end moet kiezen, vergelijk dan de alternatieven voor Open WebUI.

Een assistant geeft antwoord. Deze onderneemt geen actie. Wanneer de assistant een shell-commando schrijft, leest een persoon dat commando en beslist of dit wordt uitgevoerd. Die persoon vormt een veiligheidslaag, en een agent is het systeem dat deze laag verwijdert.

Een agent voegt tools en een loop toe

Een agent is een assistent die functies kan aanroepen en vervolgens de resultaten kan lezen. Twee onderdelen verrichten het werk. Het eerste is een tool: een beschrijving van een functie die het model kan opvragen, plus uw code die deze daadwerkelijk uitvoert. Het tweede is de loop: uw programma roept het model aan, het model vraagt om een tool, uw programma voert deze uit, voegt de output toe aan het gesprek en roept het model opnieuw aan. Dit herhaalt zich totdat het model aangeeft dat het klaar is of totdat een limiet het proces stopt.

De loop is gewone code en een basisversie past in minder dan honderd regels. Wat het een agent maakt, is dat de tools over echte inloggegevens beschikken, waardoor de loop iets buiten zichzelf kan veranderen. Dat ene feit bepaalt elke hostingbeslissing hieronder. Agentvaardigheden en MCP (model context protocol) servers zijn twee manieren om een agent meer tools te geven zonder de loop te herschrijven.

• Het overleeft uw sessie. Een chat eindigt wanneer u het tabblad sluit. Een agent-run kan twintig minuten duren en moet overleven als uw laptop in de slaapstand gaat; daarom hoort deze thuis op een machine die aan blijft staan, gestart door een systemd service of timer die het proces na een herstart weer opstart.
• Het bevat geheimen. Een API-sleutel, een SSH-sleutel, een database-wachtwoord. Alles wat de agent kan lezen, kan door een kwaadaardige instructie die in de invoer verborgen zit, worden misbruikt; houd daarom de geheimen buiten het bereik van de agent.
• De kosten groeien met de loop, niet met uw vraag. Elke stap verstuurt het volledige gesprek opnieuw als invoer, dus een run van tien stappen betaalt tien keer voor dat transcript. Dit is de reden waarom input tokens de rekening van een agent domineren en waarom u een harde limiet op de uitgaven per run wilt instellen.
• Het kan fouten maken die schrijfacties uitvoeren. Een foutief antwoord in een chat kost u een herlezing. Een foutieve verwijdering binnen een loop kost u de directory. Voer het uit als een gebruiker met de minste rechten die nog steeds functioneel is, en voor programmeer-agents geldt: sandbox de omgeving voordat u toegang geeft tot uw repository.

Wat elke laag van de server vereist

[
  {
    "label": "LLM (weights you host)",
    "ram_gb": 8,
    "gpu": "helps a lot",
    "public_url": "no",
    "credentials": "none"
  },
  {
    "label": "Assistant (chat surface)",
    "ram_gb": 1,
    "gpu": "no",
    "public_url": "yes",
    "credentials": "one login"
  },
  {
    "label": "Agent (tools and a loop)",
    "ram_gb": 2,
    "gpu": "no",
    "public_url": "only for webhooks",
    "credentials": "several"
  }
]

Lees de RAM-kolom zorgvuldig, aangezien deze het model niet meerekent. Een chat-frontend en een agent-runtime zijn beide kleine programma's. Als de agent een gehost model aanroept, draait het op 2 GB RAM, en is een goedkoop abonnement een volwaardige oplossing in plaats van een compromis. Plaats de gewichten op dezelfde server en de modelregel van 8 GB domineert al het overige.

De andere kolommen zijn belangrijker dan men vaak verwacht. Alleen de modellag wordt sneller met een GPU. Alleen de assistentlaag heeft standaard een publieke URL nodig, omdat een browser deze moet kunnen bereiken; een agent heeft dit alleen nodig wanneer een externe partij verbinding moet maken, zoals bij een webhook. Daarnaast beheert een agent several inloggegevens, wat het wezenlijke verschil is met een chatvenster. Een chatvenster kan onjuiste informatie geven. Een agent kan onjuiste informatie geven en daar vervolgens naar handelen.

Hebt u een GPU nodig om een AI-agent te draaien?

Nee, tenzij u de gewichten ook op dezelfde machine host. De agent-loop bestaat uit HTTP-verzoeken, JSON-parsing en subprocess-aanroepen; de CPU is vrijwel inactief terwijl deze wacht op het netwerk. De vraag over de GPU is in feite een vraag over de LLM-laag.

Splits daarom de beslissing. Als de tekst uw server niet mag verlaten, betaal dan voor het geheugen om een model vast te houden en, voor een bruikbare snelheid, voor een GPU om het uit te voeren. Als u alleen de automatisering wilt, huur het model dan per token en investeer het geld in plaats daarvan in uptime en back-ups. De meeste zelfgehoste agents in 2026 roepen een gehost model aan, en ze zijn daardoor goedkoper in gebruik.

Kunt u een AI-agent zelf hosten?

Ja, en de agent is de laag die het meest de moeite waard is om zelf te hosten, omdat in deze lus uw data en inloggegevens zich bevinden. Een kleine VPS met 2 GB RAM, een service manager en uitgaand netwerkverkeer is voldoende om een echte agent te draaien. Kies de route voor zelfbouw op een VPS als u de volledige controle over de lus wilt behouden, of implementeer een van de kant-en-klare zelfgehoste agents als u liever met een afgewerkt product begint.

Het zelf hosten van de assistent is eenvoudig: het betreft slechts één container en een certificaat. Het zelf hosten van het model is het kostbare onderdeel, en dit is waar mensen afhaken nadat ze de tokens tergend langzaam uit een CPU hebben zien kruipen. Host de gewichten zelf wanneer de data de server niet mag verlaten, of wanneer uw volume per-token prijzen onbetaalbaar maakt. Laat de agent in andere gevallen een API aanroepen en houd de relevante onderdelen lokaal.

Is ChatGPT een AI-agent?

Een chatproduct wordt een agent op het moment dat het een tool kan aanroepen en naar aanleiding van het resultaat actie kan ondernemen zonder u eerst om toestemming te vragen. Volgens die definitie zijn gehoste assistenten met functies voor browsen, code-uitvoering of connectoren agents. Het verschil voor u is waar de lus wordt uitgevoerd en wiens inloggegevens daarbij worden gebruikt. Bij een gehost product behoren beide toe aan de leverancier. Op uw eigen server behoren beide toe aan u, inclusief de verantwoordelijkheid voor alles wat de lus om drie uur 's nachts uitvoert.

Reactief, planning en multi-agent

Overzichten noemen vaak zeven typen agents. De meeste van deze typen zijn marketing. Twee onderscheiden bepalen de code die u schrijft, en één bepaalt de kosten. Een reactieve agent roept een tool aan, leest het antwoord en reageert. Een planning-agent schrijft eerst een plan en voert dit vervolgens uit; dit werkt beter bij langdurige taken en kost meer tokens, omdat het plan bij elke stap opnieuw wordt verzonden. Een multi-agent-opstelling stelt één agent in staat om anderen te starten, wat tegelijkertijd het tokenverbruik en de faalpunten vermenigvuldigt. Dit loont alleen wanneer de subtaken daadwerkelijk onafhankelijk zijn, zoals het gelijktijdig doorzoeken van vier bronnen. Begin reactief. Voeg planning toe wanneer taken langer duren. Kies pas als laatste voor multi-agent. Zie voor het bredere overzicht wat is in 2026 de moeite waard om te leren over AI-agents.

Hoe u bepaalt op welke laag u daadwerkelijk draait

Vraag op de server welke processen het geheugen in beslag nemen.

free -h
ps -eo rss,comm --sort=-rss | head -5

Als de bovenste regel ollama of llama-server is en deze enkele gigabytes aan RSS (resident set size, het geheugen dat een proces daadwerkelijk inneemt) verbruikt, dan host u het model zelf. Als er niets boven een paar honderd megabyte uitkomt en uw API-rekening blijft groeien, dan host u een agent of assistent en huurt u het model. Als die lijst leeg is omdat alles in een browsertabblad gebeurt, dan bent u een klant van een assistent; een prima positie, totdat u software nodig heeft die namens u acties uitvoert.

Welke optie wilt u uitvoeren?

• Om de tekst privé te houden, voert u het model uit: self-host een LLM met Ollama, en vergelijk daarna de runtime-prestaties met Ollama versus vLLM zodra één gebruiker er tien worden.
• Om de controle over de loop en de tools te behouden, bouwt u de agent: bouw uw eigen AI-agent op een VPS.
• Om vanavond nog iets werkends te hebben, implementeert u een kant-en-klare oplossing uit de zelfgehoste agents die het waard zijn om te draaien.
• Als u nog geen server heeft voor deze taken, begin dan bij wat een VPS u daadwerkelijk biedt.

FAQ

Is een AI-agent slechts een LLM met extra stappen?

De extra stappen vormen het product. Een LLM zet tekst om in tekst en niets anders. Een agent omringt dit met tools die hij kan aanroepen en een lus die deze blijft aanroepen. Omdat die tools over inloggegevens beschikken, kan de output een bestand, een database of een live service wijzigen. Daarom heeft een agent een machine nodig die aan blijft staan, een service manager en een beleid voor geheimen, terwijl een LLM alleen voldoende geheugen nodig heeft om zijn gewichten vast te houden tijdens het beantwoorden.

Heb ik een GPU nodig om een AI-agent te draaien?

Niet voor de agent zelf. De lus bestaat uit HTTP-verzoeken, JSON-afhandeling en subprocess-aanroepen, wat elke CPU kan beheren terwijl deze wacht op het netwerk. U heeft alleen een GPU nodig wanneer u de modelgewichten zelf host en meer dan een paar tokens per seconde wilt genereren. Een agent die een gehost model aanroept, draait probleemloos op een kleine VPS zonder GPU.

Hoeveel RAM heeft een VPS nodig voor een AI-agent?

Ongeveer 2 GB wanneer de agent een gehost model aanroept, omdat de runtime, de afhankelijkheden en een kleine lokale database alles zijn wat in het geheugen wordt geladen. Voeg het model toe als u de gewichten zelf host: qwen3:8b alleen al vereist ongeveer 8 GB, dus een alles-in-één server begint bij die grens en loopt op afhankelijk van het gekozen model.

Kan ik een AI-assistent zelf hosten en mijn gesprekken privé houden?

Ja, met één voorbehoud dat allesbepalend is. Een zelfgehoste front-end zoals Open WebUI bewaart accounts en geschiedenis op uw server. De gesprekken zelf blijven alleen privé als het model erachter ook lokaal is. Koppel dezelfde front-end aan een gehoste API en de tekst verlaat bij elk bericht alsnog uw server; u behoudt dan wel de geschiedenis, maar niet de privacy.

Wat is het verschil tussen een AI-agent en een chatbot?

Een chatbot antwoordt en stopt. Een agent beslist wat de volgende stap is, roept een tool aan, leest het resultaat en beslist opnieuw, totdat de taak is voltooid of een limiet het proces stopt. De praktische test: als de software iets kan wijzigen zonder dat een mens tussen het antwoord en de actie op een knop drukt, is het een agent, en heeft deze de hosting en de bijbehorende beveiligingsmaatregelen nodig.