Agent

Overzicht

De Agent-knoop is waar AI in je workflow komt. Hij kan tekst analyseren, intelligente beslissingen nemen, gestructureerde gegevens extraheren, inhoud genereren, vragen beantwoorden en nog veel meer — allemaal met natuurlijke taalopdrachten.

Beste gebruik: inhoudsanalyse, categorisatie, gegevensextractie, besluitvorming, samenvatting en elke taak die intelligentie vereist.

Wanneer de Agent-knoop 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 data beantwoorden
Inhoudsgeneratie
Vertalingen en taaltaken

Niet ideaal voor:

Eenvoudige datatransformaties (gebruik Code-knoop)
Wiskundige berekeningen (gebruik Code-knoop)
Directe API-aanroepen (gebruik HTTP Request-knoop)

Configuratie

Selecteer of maak Agent

Bestaande assistent gebruiken

Kies uit de assistenten van je workspace
Erft de configuratie en kennis van de assistent
Consistent gedrag tussen chat en workflows

Nieuwe Agent maken

Definieer agent specifiek voor deze workflow
Configureer onafhankelijk
Geoptimaliseerd voor automatisering

Agentinstructies

Goede instructies (voorbeeld)

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

Feedback: {{trigger.output.feedback_text}}

Slechte instructies (voorbeeld)

Analyseer deze feedback: {{trigger.feedback_text}}

Invoervariabelen

Geef gegevens van vorige knopen door aan de agent:

Klant:
{{trigger.output.customer_name}}
Bestel-ID:
{{trigger.output.order_id}}
Probleem:
{{trigger.output.description}}

Analyseer dit supportticket en categoriseer het alstublieft.

Gestructureerde output (aanbevolen)

Waarom gestructureerde output gebruiken:

Gewaarborgd formaat (altijd geldige JSON)
Geen parse-fouten
Betrouwbaar voor downstream-knopen
Makkelijker te debuggen

Voorbeeld:

{
  "sentiment": "positive",
  "category": "product_feedback",
  "priority": "medium",
  "summary": "Customer loves the new feature",
  "action_needed": false
}

Configureer de gestructureerde output met de stapper hieronder:

Schakel gestructureerde uitvoer in

Zet de optie "Gestructureerde output" voor de agent-knoop aan.

Definieer uitvoervelden

Voeg velden toe met:

Veldnaam
Type (string, number, boolean, array)
Beschrijving

Tools & mogelijkheden

Schakel extra mogelijkheden voor de agent in:

Web zoeken

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 sandbox-omgeving

Integraties

Agent kan verbonden integratieacties gebruiken
Toegang tot je tools en data
Goed voor dynamische workflows

Voorbeeldgebruikscases

Inhoudscategorisatie

Agentconfiguratie:
- Instructies: "Categoriseer dit artikel op onderwerp en stel tags voor"
- Invoer: {{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"
- Invoer:
  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"
  }

Document-samenvatting

Agentconfiguratie:
- Instructies: "Vat dit document samen in 3-5 bulletpoints"
- Invoer: {{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"
- Invoer: {{trigger.customer_message}}
- Model: GPT-3.5 Turbo
- Gestructureerde output:
  {
    "sentiment": "positive|neutral|negative",
    "emotion": "string",
    "confidence": "number"
  }

Toegang tot Agent-uitvoer

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"

Geef context

Je analyseert supporttickets van een SaaS-bedrijf.
Categoriseer op urgentie op basis van:
- Dringend: Systeem down, dataverlies, beveiligingsprobleem
- Hoog: Blokkeert het werk van de gebruiker
- Gemiddeld: Ongemak maar er is een workaround
- Laag: Feature request of vraag

Gebruik voorbeelden

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

Nu categoriseer: {{trigger.issue}}

Beperk output

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

Beste praktijken

Gebruik altijd gestructureerde output Voor workflows is gestructureerde output vrijwel altijd beter. Het voorkomt parse-fouten en maakt gegevens gemakkelijker te gebruiken in volgende knopen.
Wees specifiek in instructies Duidelijke, gedetailleerde instructies leiden tot betere resultaten. Voeg voorbeelden toe als de taak complex is.
Beperk de invoerlengte Agents werken het beste met gerichte input. Bij het verwerken van lange documenten, overweeg eerst relevante secties te extraheren.
Test met echte data De prestaties van agents kunnen variëren. Test met echte gegevensvoorbeelden om consistente resultaten te waarborgen.
Omgaan met randgevallen Voeg validatie toe na de agent-knoop om onverwachte outputs of fouten af te handelen.