AI agent bouwen op een VPS

Wat een AI agent feitelijk is

Een AI agent is een loop rondom een taalmodel. Het model analyseert de situatie, kiest één actie, uw code voert die actie uit, het resultaat gaat terug naar het model, en de loop herhaalt zich tot de taak is voltooid. Dat is het basisconcept. Een gewone chatbot geeft één antwoord en stopt. Een agent gaat door en voert daadwerkelijke acties uit tussen de beurten door, totdat een door u gesteld doel is bereikt.

De actie is het cruciale onderdeel. Een taalmodel produceert op zichzelf alleen tekst. Het kan geen bestand lezen, een API aanroepen of een commando uitvoeren. Een agent geeft het model een set tools die het mag gebruiken, inclusief een methode om deze aan te vragen. Wanneer het model het internet wil doorzoeken of een bestand wil schrijven, voert het dit niet zelf uit. Het geeft een gestructureerd verzoek uit, uw code voert de tool uit, en het antwoord komt terug als de volgende input voor het model. Het model levert het oordeel; uw server levert de uitvoering.

Niet elke taak vereist een agent. Het standaard gebruiken van een agent is een veelvoorkomende fout. Als de stappen vooraf bekend zijn, is een simpel script eenvoudiger, sneller en betrouwbaarder. "Haal elke uur deze pagina op en stuur me de prijs per e-mail" is een geplande taak, geen agent. Bouw een agent wanneer het pad niet vooraf vaststaat, wanneer het model moet analyseren wat het vindt om te bepalen wat de volgende stap is. De prijs van een agent is onvoorspelbaarheid; gebruik het alleen wanneer de flexibiliteit de kosten rechtvaardigt.

Tools: hoe een agent handelt

Een tool is elke mogelijkheid die u aan het model geeft, zodanig beschreven dat het model weet wanneer het deze moet gebruiken. Een bestand lezen, een shell-commando uitvoeren, een database bevragen, een bericht sturen: elk is een tool met een naam, een korte beschrijving en een lijst met inputs. U definieert de tools; het model bepaalt wanneer het ze aanroept.

Het mechanisme is overal gelijk, ongeacht het gebruikte model. Het model geeft een gestructureerd verzoek terug met een naam van een tool en de bijbehorende inputs. Uw code ziet dit verzoek, voert de bijbehorende functie uit en stuurt het resultaat terug in de volgende beurt. Het model leest het resultaat en roept ofwel een andere tool aan, ofwel schrijft het definitieve antwoord. Function calling is de kern van elke agent, en de loop die dit aanstuurt bestaat uit slechts enkele regels standaard code.

Dit is ook waar u de controle behoudt. Het model kan vragen om een commando uit te voeren, maar er gebeurt niets totdat uw code besluit dit uit te voeren. In die tussenruimte plaatst u goedkeuringsprompts voor gevaarlijke acties, limieten voor wat een tool mag aanraken, en een logboek van alles wat de agent heeft gedaan. Een agent is slechts zo veilig als de tools die u hem geeft en de controles die u ervoor plaatst.

MCP: een standaardmethode om tools te verbinden

Het handmatig schrijven van een nieuwe integratie voor elke service is tijdrovend. Het Model Context Protocol, of MCP, is een open standaard die dit oplost. In plaats van een nieuwe tool te programmeren voor uw bestanden, uw database en uw issue tracker, wijst u de agent naar een MCP-server die deze zaken al als tools beschikbaar stelt. De agent spreekt één protocol; de server verzorgt de communicatie met het echte systeem.

Het voordeel is herbruikbaarheid. Een MCP-server die door iemand anders voor een service is geschreven, is direct beschikbaar voor uw agent zonder nieuwe integratiecode. Een server die u zelf schrijft, is bruikbaar voor elke agent die het protocol spreekt. Op een VPS is dit belangrijk, omdat u MCP-servers als eigen kleine services naast de agent kunt draaien, elk met alleen de benodigde toegang. Ik behandel de installatie in running MCP servers on a VPS.

Memory en retrieval

Een taalmodel heeft geen eigen geheugen tussen aanroepen door. Alles wat het weet over de huidige taak moet bij elke beurt opnieuw worden meegegeven. Voor een korte taak is dit voldoende, omdat de volledige conversatie in één verzoek past. Voor langere taken moet u het geheugen zelf beheren; hiervoor zijn twee patronen die relevant zijn.

Het eerste is een scratchpad. U geeft de agent een bestand waar hij in kan lezen en schrijven, en u instrueert de agent om alles wat hij leert te registreren. Bij de volgende beurt, of de volgende sessie, leest hij het bestand uit en gaat hij verder waar hij was gebleven. Dit is geheugen in de vorm van een document, en het werkt omdat de agent het bestand als een gewone tool behandelt.

Het tweede is retrieval. Wanneer de agent informatie nodig heeft uit een grote hoeveelheid documenten die niet in één verzoek passen, slaat u die documenten op in een doorzoekbare vorm. Alleen de relevante fragmenten worden naar het model gestuurd wanneer ze nodig zijn. Dit patroon heet retrieval-augmented generation, of RAG. De agent stelt een vraag, uw code vindt de relevante passages, en alleen die gaan naar het model. De opslag staat op uw server, zodat uw privédocumenten het systeem nooit verlaten.

Meerdere agents, één coördinator

Eén agent met veel tools volstaat voor de meeste taken. Wanneer een taak groot is of uit verschillende onderdelen bestaat, is een andere structuur effectiever: een coördinator-agent die delegeert naar gespecialiseerde sub-agents. De coördinator splitst het doel op in stukken, geeft elk stuk door aan een sub-agent die voor dat specifieke werk is gebouwd, en combineert de resultaten.

Het voordeel is focus. Een sub-agent met een beperkte taak en een kleine set tools maakt betere beslissingen dan een generalist die alles tegelijk probeert te beheren. Bovendien kunnen onafhankelijke onderdelen tegelijkertijd draaien. De kosten zijn coördinatie, wat een reële factor is; blijf bij één agent totdat een taak duidelijk meer vereist. Begin eenvoudig en voeg pas agents toe wanneer één agent duidelijk overbelast raakt.

Self-hosted of hosted: welk model draait uw agent

Het model is het enige onderdeel van een agent dat u niet zelf hoeft te draaien. De keuze waar het draait, is de belangrijkste beslissing die u zult maken. Een hosted model, bereikbaar via een API, biedt de sterkste redeneerkracht zonder operationele last: u stuurt tekst en ontvangt tekst terug. Een self-hosted model draait op uw eigen server, wat elke aanroep privé houdt, een vaste prijs in plaats van kosten per token biedt, en niet afhankelijk is van de uptime van derden. De afweging is capaciteit versus inspanning. De beste hosted modellen zijn geavanceerder dan wat u zelf kunt draaien, en het draaien van een eigen model vereist voldoende geheugen.

Dat laatste punt is de praktische beperking. Een model moet in het geheugen van uw server passen, en bij gebruik van een GPU in het videogeheugen. Een model dat te groot is voor de hardware zal niet laden. Controleer voordat u een self-hosted agent plant of het gewenste model past op uw machine:

Als de specificaties niet overeenkomen, heeft u drie opties: kies een kleiner model, gebruik agressievere quantization om het model te verkleinen, of gebruik een hosted API voor de redenering en houd alleen uw tools en data op de server. Veel self-hosted agents starten met een lokaal model via Ollama on a VPS en vallen terug op een hosted API voor de moeilijkste stappen.

De server is het gevaarlijke onderdeel

Een agent die shell-commando's kan uitvoeren en bestanden kan schrijven is krachtig, en dat maakt hem precies gevaarlijk. Het oordeel van het model is goed maar niet perfect. Een foutieve instructie, een bug of kwaadaardige input kan een behulpzame agent veranderen in een agent die verkeerde bestanden verwijdert of geheimen lekt. Beveiliging is niet optioneel; op een server is dit het belangrijkste onderdeel.

Enkele gewoontes bieden de meeste bescherming. Draai de agent als een dedicated unprivileged user, nooit als root, zodat een fout beperkt blijft; dezelfde logica wordt toegepast in running services as an unprivileged user. Houd geheimen, zoals API-keys, buiten de code en alleen leesbaar voor die specifieke gebruiker. En sandbox de tools die het systeem aanraken, zodat de agent alleen bij de resources kan die hij echt nodig heeft. Voor een voorbeeld van het beveiligen van een echte self-hosted agent, zie running OpenClaw safely on a VPS. Als u liever een hosted model gebruikt voor de intelligentie, biedt de gids over building an agent with Claude on a VPS dezelfde concepten toegepast op een specifiek model.

Voor een praktijkvoorbeeld past building an OpenClaw-style personal agent deze onderdelen toe. Als u liever een kant-en-klaar systeem gebruikt, begin dan met self-hosting Hermes Agent on a VPS of running Agent Zero on your own server. the best self-hosted AI agents in 2026 vergelijkt alle beschikbare opties die wij behandelen.

FAQ

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

Een chatbot beantwoordt een bericht en stopt. Een agent draait een loop: het model kiest een actie, uw code voert deze uit, het resultaat gaat terug naar het model, en dit herhaalt zich tot de taak is voltooid. Het verschil is dat een agent daadwerkelijke acties uitvoert tussen de beurten door, zoals het aanroepen van tools om bestanden te lezen, commando's uit te voeren of services te bevragen, in plaats van alleen tekst te genereren.

Heb ik een GPU nodig om een AI agent op een VPS te draaien?

Alleen als u het model zelf host. De agent-loop, de tools en het geheugen zijn standaard code die prima draait op een normale VPS zonder GPU. Een GPU is noodzakelijk wanneer u het taalmodel op uw eigen hardware wilt draaien, omdat het model in het geheugen moet passen. Als u een hosted model via een API gebruikt, vindt de zware berekening elders plaats en is een eenvoudige VPS voldoende.

Wat is MCP en heb ik het nodig om een agent te bouwen?

MCP, het Model Context Protocol, is een open standaard om een agent te verbinden met tools en databronnen. U heeft het niet strikt nodig, aangezien u elke tool handmatig kunt schrijven. MCP bespaart u dit werk door bestaande servers voor veelgebruikte services herbruikbaar te maken en uw eigen systemen één keer te exposen voor elke agent. Het is een gemak dat rendabel wordt naarmate het aantal integraties groeit.

Is het veilig om een AI agent toegang te geven tot mijn server?

Dat kan, mits u de agent beperkt. Een agent die commando's uitvoert, is slechts zo veilig als het account waaronder hij draait en de tools die u toestaat. Draai de agent als een unprivileged user, houd geheimen buiten bereik, sandbox de tools die het bestandssysteem aanraken, en vereis goedkeuring voor acties die moeilijk ongedaan te maken zijn. Behandel de agent als onbetrouwbare code die toevallig intelligent is, en geef hem alleen wat de taak vereist.